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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD