[发明专利]一种基于深度学习的HRRP无目标对抗样本生成方法

权利要求书

1.一种基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，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。

2.根据权利要求1所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，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。

3.根据权利要求1所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，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。

4.根据权利要求3所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，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p_norm；然后，在给定范围内，分别采用二分查找算法寻找每个类别中合适的扰动缩放因子ε使得计算得到的细粒度扰动p＝ε*p_norm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合适的扰动缩放因子，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,…,ε_cls}；

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ε_min以及该类别的梯度方向p_norm；通过公式p＝ε_min*p_norm计算得到所选样本的无目标的细粒度对抗扰动p。

5.根据权利要求1所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，步骤S6中，首先设定通用扰动的功率，再基于设定的通用扰动的功率，对n个样本的无目标细粒度扰动聚合。

6.根据权利要求5所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，步骤S6中，如果聚合过程中得到的通用扰动的功率超过设定通用扰动功率，则将聚合得到的通用扰动功率约束到与设定通用扰动功率同等大小。

7.根据权利要求1所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，步骤S6中，对步骤S2选取的n个样本分别生成无目标细粒度对抗扰动，然后将这些无目标细粒度对抗扰动在给定约束条件PSR下进行聚合，获得给定扰动量的具有泛化能力的通用对抗扰动。

8.根据权利要求1所述的基于深度学习的HRRP无目标对抗样本生成方法，其特征在于，步骤S1中的深度神经网络模型为MLP模型。