[发明专利]一种针对图像分类的稀疏对抗攻击问题的双分解方法

权利要求书

1.一种针对图像分类的稀疏对抗攻击问题的双分解方法，其特征在于，包括以下步骤：

1)设置图像种群规模N、双分解迭代次It、开始标记s_t、滑动窗口步长s、滑动窗口大小w、嵌入算法A、进化最大函数评价次数FEs；

2)随机生成初始图像种群P＝{x₁，x₂，...，x_i，...，x_N}，其中x_i为初始化完毕的不同图像个体；

3)使用算法A优化图像种群P，直到函数评价次数大于或等于s_t；

4)对图像图像种群开始外分解操作：初始化滑动窗口，得到被滑动窗口覆盖的部分决策变量分量X_partial；

5)对图像种群开始内分解操作：计算一组全局参考点Z＝{Z₁，Z₂，...，Z_l，...，Z_M}，其中Z_l，是到目前为止N个图像个体解中第l个目标的最佳值，M为目标个数，其定义如公式(1)所示；

Min(Z_i-f_l(x_i))，i＝1，2，...，N    (1)

其中，f_l(x_i)为关于第i个图像x_i的第l个目标值；随后，创建一组大小为N的均匀分布的全局像素参考向量{V_i}，i＝1，2，...，N.其中V_i＝{v_i1，v_i2，...，v_ij，...，v_iM}，v_ij为第i个图像x_i的第j个目标对应的参考点，且对于任意j＝1，2，...，M，满足公式(2)；

然后，对全局像素参考点Z和每个全局像素参考向量{V_i}进行全局投影，获得对应的小规模MOP局部像素参考点向量Z*在和一组局部像素参考向量{λ_i}；最后，使用切比雪夫方法将小规模MOP分解为一N个如公式(3)所示的单目标化问题；

Min g(x|λ_i，Z^*)＝Max{λ_i|f_l(x_i)-Z^*|}    (3)

6)使用如公式(4)、(5)、(6)所示的差分进化算法优化X_partial；

其中表示一个解的n个维度，r₁，r₂，r₃，r₄，r₅∈{1，2，...，N}表示五个互不相同且不等于i的索引，F₁和F₂表示差分进化中的两个缩放因子，L＝(L¹，L¹，...，L^q，...Lⁿ)和U＝(U¹，U¹，...，U^q，...Uⁿ)分别表示搜索空间的n维上边界向量和下边界向量；

7)根据块坐标下降的思想更新图像种群P：替换P中与X_partial对应的分量；完成一次双分解迭代；

8)判断是否达到双分解终止条件，即双分解次数达到It，若满足则转9)，否则转4)；

9)使用算法A优化图像种群P；

10)判断是否达到算法终止条件，即当前函数评价次数达到FEs，若满足则输出图像种群，否则转9)。