申请/专利权人:南昌大学
申请日:2023-02-10
公开(公告)日:2023-03-14
公开(公告)号:CN115796242A
主分类号:G06N3/0475
分类号:G06N3/0475;G06N3/0464;G06N3/094;G06F18/241;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2023.05.16#授权;2023.03.31#实质审查的生效;2023.03.14#公开
摘要:本发明公开一种电子数字信息反取证方法。所述方法包括:GAN模型包括分类网络D1、判别器D2和D3,以及生成网络G,预先为D1、D2和D3分配相同的权重,构建第一损失函数;将未处理信息输入D1进行训练,由G根据未处理信息和随机噪声生成合成信息,部署第二损失函数提高网络性能;将未处理信息输入D2进行训练,由D2对G的输出进行分类,并通过反向传播,将学习到的权重转移回G;将未处理信息输入D3进行训练,将未处理信息和合成信息进行区分,构建最终损失函数。本发明在对原有的GAN模型基础上,修改了生成器和构造器的结构和网络的框架,建立了额外的监督系统和相应的损失函数,提高了网络模型反取证的性能。
主权项:1.一种电子数字信息反取证方法,其特征在于,包括:GAN模型包括一个作为判别器的分类网络D1、两个作为额外监督器的判别器D2和D3,以及一个作为生成器的生成网络G,分类网络D1、D2和D3均连接生成网络G,预先为D1、D2和D3分配相同的权重,构建GAN模型的第一损失函数;将未处理的电子数字信息输入GAN模型的分类网络D1中进行训练,由生成网络G根据未处理的电子数字信息和随机噪声生成合成信息,部署一个第二损失函数来提高网络的性能;将未处理的电子数字信息输入GAN模型的判别器D2进行训练,由判别器D2对生成网络G的输出进行分类,并通过反向传播,将学习到的权重转移回生成网络G;将未处理的电子数字信息输入GAN模型的判别器D3进行训练,将未处理的电子数字信息和已处理的合成信息进行区分,构建最终损失函数,并将学习到的权重转移回生成网络G,更新生成网络G的参数。
全文数据:
权利要求:
百度查询: 南昌大学 一种电子数字信息反取证方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。