[发明专利]基于多物理场效应的板卡脆弱性分析方法

权利要求书

1.基于多物理场效应的板卡脆弱性分析方法，其特征在于，包括：

获取多个有篡改和无篡改的板卡作为训练样本构成训练集；

采集训练集中所有板卡的温度值和电磁场值，分别得到所有板卡的温度热图矩阵和电磁场分布矩阵；

对训练集中所有板卡的温度热图矩阵和电磁场分布矩阵进行二维主成分分析，并依次进行归一化处理和乱序处理；

将训练集中所有乱序处理后的电磁场分布矩阵和温度热图矩阵分别输入有监督神经网络a和有监督神经网络b中进行训练，分别得到训练完成的神经网络a和神经网络b；

采集待测试样本集中所有测试板卡的温度值和电磁场值，分别得到测试板卡的温度热图矩阵和电磁场分布矩阵；

对待测试样本集中所有测试板卡的温度热图矩阵和电磁场分布矩阵进行二维主成分分析，并进行归一化处理；

将所有测试板卡归一化处理后的温度热图矩阵和电磁场分布矩阵分别输入神经网络a和神经网络b对各测试板卡进行识别，得到测试板卡的识别结果；

将神经网络a和神经网络b输出的识别结果中有篡改的测试板卡分别存储至集合C和集合F中，无篡改的测试样本分别存储至集合E和集合G中；

将集合C∪(集合E∩集合F)中的测试板卡判断为有篡改的测试板卡，将集合E∩集合G中的测试板卡判断为无篡改的测试板卡；

有监督神经网络a和有监督神经网络b分别训练得到神经网络a和神经网络b的方法相同，其包括：

A1、初始化有监督神经网络a/有监督神经网络b中的权重、偏置、学习率和训练次数；

A2、采用激励函数对输入节点进行运算，得到有监督神经网络a/有监督神经网络b的隐含层的输出H_j：

其中，i＝1…n，j＝1…l，n为输入层的节点个数，l为隐含层的节点个数；w_ij为输入层到隐含层的权重，a_j为输入层到隐含层的偏置，x_i为第i个节点的输入数据；g(.)为激励函数；

A3、根据隐含层的输出、隐含层到输出层的权重以及隐含层到输出层的偏置计算输出层的输出结果：

其中，O_k为输出结果；k＝1…m，m为输出层的节点个数；b_k为隐含层到输出层的偏置；

A4、根据输出层的输出结果与训练样本的期望输出计算误差值：

其中，E为误差值；Y_k为期望输出；

A5、采用梯度下降法更新隐含层到输出层的权值和输入层到隐含层的权值，其中隐含层到输出层的权值的更新公式为：

w_jk＝w_jk+ηH_je_k

输入层到隐含层的权值的更新公式为：

其中，η为学习速率；e_k＝Y_k-O_k；w_jk为隐含层到输出层的权值；

A6、更新隐含层到输出层的偏置，之后再更新输入层到隐含层的偏置：

b_k＝b_k+ηe_k，

A7、判断有监督神经网络a/有监督神经网络b是否已完成训练：

当相邻两次误差之间的差值小于设定阈值或迭代次数等于预设次数时，得到初步训练的神经网络；

当相邻两次误差之间的差值及迭代次数均不满足条件时，返回步骤A2。