申请/专利权人：广州大学

申请日：2020-03-03

公开（公告）日：2023-12-19

公开（公告）号：CN111368908B

主分类号：G06N3/094

分类号：G06N3/094;G06N3/09;G06N3/084;G06N3/045;G06N3/0475;G06V10/764;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2023.12.19#授权;2020.07.28#实质审查的生效;2020.07.03#公开

摘要：本发明属于雷达图像识别领域，为基于深度学习的HRRP无目标对抗样本生成方法。包括：利用数据集训练深度神经网络模型，并获得其参数；选取样本并初始化算法参数；对所有的样本类别，基于FGSM算法，采用二分查找方法获得每个类别的扰动缩放因子；在所有类别获得的扰动缩放因子中，选取最小缩放因子，计算该缩放因子对应类别的梯度方向，获得n个样本的无目标细粒度对抗扰动；将无目标细粒度对抗扰动添加至原始样本，生成对抗样本；将n个样本的无目标细粒度对抗扰动聚合，获得无目标通用扰动；将无目标通用扰动添加至任意样本，生成对抗样本。本发明能够获得无目标细粒度扰动和通用扰动，生成相应的对抗样本，提高了雷达目标识别的安全性。

主权项：1.一种基于深度学习的一维雷达距离像目标识别方法，其特征在于，所述目标识别方法包括HRRP无目标对抗样本生成的步骤，其特征在于，所述HRRP无目标对抗样本生成的步骤包括以下步骤：S1、利用数据集训练深度神经网络模型，并获得深度神经网络模型的参数；S2、选取样本并初始化算法参数；S3、对所有的样本类别，基于FGSM算法，采用二分查找方法获得每个类别的扰动缩放因子；S4、在所有类别获得的扰动缩放因子中，选取最小缩放因子，计算该缩放因子对应类别的梯度方向，获得n个样本的无目标细粒度对抗扰动；S5、将无目标细粒度对抗扰动添加至原始样本，生成对抗样本；S6、将n个样本的无目标细粒度对抗扰动聚合，获得无目标通用扰动；S7、将无目标通用扰动添加至任意样本，生成对抗样本；步骤S1将实测地面静止与运动目标MSTAR数据作数据集，设定生成通用扰动选取的样本数n，从数据集中随机选取n个样本，设定通用扰动的约束条件PSR；步骤S3中，对FGSM算法所生成的扰动缩放因子进行选择，选择过程中采用二分查找方法不断缩小分区范围，直到获得每个类别对应的符合期望精度的扰动缩放因子；步骤S4中，利用神经网络反向传播以及符号函数计算最小缩放因子所对应类别的交叉熵损失函数的梯度方向，将最小缩放因子乘上该梯度方向，获得样本的细粒度扰动；设数据集中样本的类别数为cls，对选取的n个样本，针对每个类别，基于FGSM算法，利用神经网络反向传播以及符号函数计算相应类别的交叉熵损失函数的梯度方向pnorm；然后，在给定范围内，分别采用二分查找算法寻找每个类别的扰动缩放因子ε使得计算得到的细粒度扰动p＝ε*pnorm能够使深度神经网络模型误分类；若通过二分查找算法找不到扰动缩放因子，则将扰动缩放因子取值为给定范围的最大值，从而得到了cls个扰动缩放因子{ε1,ε2,…,εcls}；得到cls个类别的扰动缩放因子后，计算所有类别的扰动缩放因子中最小值εmin以及该类别的梯度方向pnorm；通过公式p＝εmin*pnorm计算得到所选样本的无目标的细粒度对抗扰动p。

全文数据：

权利要求：

百度查询： 广州大学 一种基于深度学习的HRRP无目标对抗样本生成方法

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