一种基于深度学习的HRRP无目标对抗样本生成方法技术

本发明专利技术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。本发明专利技术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。

A sample generation method for HRRP based on deep learning

【技术实现步骤摘要】
一种基于深度学习的HRRP无目标对抗样本生成方法
本专利技术属于雷达图像识别领域，具体为一种基于深度学习的HRRP无目标对抗样本生成方法。
技术介绍
基于深度学习的雷达目标识别算法，具有端对端特征学习的优势，能有效地提高目标识别率，成为雷达目标识别的一类重要方法。但是，最近的研究表明，基于深度学习的光学图像识别方法容易受到对抗样本的对抗攻击。对抗样本的存在表明深度学习方法存在极大的安全隐患。深度学习的端到端和自动特征学习的优势，为基于HRRP的目标识别提供了一类方法，在实际应用中取得了很好的效果。例如，JarmoLunden等人在2016年的IEEERadar会议上发表了论文《DeepLearningforHRRP-basedtargetrecognitioninmultistaticradarsystems》，提出了一种基于深度卷积神经网络的方法，利用卷积神经网络的自动特征提取功能代替传统的手工特征提取方式，降低了特征提取的难度，并提高了识别率。然而，深度学习方法很容易受到对抗攻击。Szegedy等人在2013年发表论文《In本文档来自技高网...

【技术保护点】
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：/nS1、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；/nS2、选取样本并初始化算法参数；/nS3、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；/nS4、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；/nS5、将无目标细粒度对抗扰动添加至原始样本，生成对抗样本；/nS6、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；/nS7、将无目标通用扰动添加至任意样本，生成对抗样本。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：黄腾，陈湧锋，闫红洋，杨碧芬，姚炳健，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44