一种时序神经网络模型的测试方法技术

本发明专利技术属于深度学习技术领域，提供了一种时序神经网络模型的测试方法，采用三个判别能力相近的时序网络进行对照测试，将时序网络A与生成对抗网络中的判定网络组合，判断生成网络生成的时序数据与真实时序数据的真假与标签；时序网络A生成不同标签的时序数据提供给生成网络进行训练；然后将训练好的生成网络所生成的不同标签的时序数据分别输入给时序网络B和时序网络C做预测，根据预测标签与生成数据标签的异同情况，将标签明确且有问题的生成时序数据存入生成样本集；最后以该生成样本集对时序网络进行测试。本发明专利技术可以自动生成大量不同标签的时间序列测试数据，且能找到对照时序网络模型针对相同输入情况下的不同输出的错误行为。

【技术实现步骤摘要】

本专利技术属于深度学习，涉及神经网络模型的测试，具体涉及一种时序神经网络模型的测试方法。

技术介绍

1、近年来，深度学习技术开始应用于军工软件中，起到一定的积极效果。但也可以明确，深度学习技术在军工型号软件的应用并不完全成熟，还处于发展阶段。并且这类软件的正确性、可靠性验证方法和测试流程也未成体系，难以有效度量软件的鲁棒性。不可靠的软件若被直接使用，小则导致用户体验差，大则带来灾难性质量事故。因此，完整严谨的测试方法和流程体系对于深度学习类软件的正确性和可靠性验证必不可少。

2、在传统的软件测试技术中，软件测试的流程体系标准非常成熟，常见的有包含边界值测试、等价类划分、冒烟测试等的黑盒测试及包含语句覆盖、条件覆盖、判定条件覆盖、条件组合覆盖等的白盒测试。以上测试准则可以适应不同的测试方法和粒度，所以传统软件可以根据上述测试方法进行全面系统的测试执行。但是深度学习系统与传统软件相比，无论是在内部结构有很大的不同，深度学习系统由多层卷积神经网络组成，内部结构包括由神经元、神经元值和连接、权重以及激活函数，区别于传统软件的控制语句。深度神经网络的代码本文档来自技高网...

【技术保护点】

1.一种时序神经网络模型的测试方法，其特征在于，采用三个时序网络进行对照测试，三个时序网络包括时序网络A、时序网络B和时序网络C，三个时序网络的判别能力相近，将时序网络A与生成对抗网络中的判定网络组合，判断生成网络生成的时序数据与真实时序数据的真假与标签；生成网络包括不同的子网络用于生成不同标签的时序数据；时序网络A生成不同标签的时序数据提供给生成网络进行训练；然后将训练好的生成网络所生成的不同标签的时序数据分别输入给时序网络B和时序网络C做预测，根据预测标签与生成数据标签的异同情况，将标签明确且有问题的生成时序数据存入生成样本集；最后以该生成样本集对时序网络进行测试。

2....

【技术特征摘要】

1.一种时序神经网络模型的测试方法，其特征在于，采用三个时序网络进行对照测试，三个时序网络包括时序网络a、时序网络b和时序网络c，三个时序网络的判别能力相近，将时序网络a与生成对抗网络中的判定网络组合，判断生成网络生成的时序数据与真实时序数据的真假与标签；生成网络包括不同的子网络用于生成不同标签的时序数据；时序网络a生成不同标签的时序数据提供给生成网络进行训练；然后将训练好的生成网络所生成的不同标签的时序数据分别输入给时序网络b和时序网络c做预测，根据预测标签与生成数据标签的异同情况，将标签明确且有问题的生成时序数据存入生成样本集；最后以该生成样本集对时序网络进行测试。

2.根据权利要求1所述的一种时序神经网络模型的测试方法，其特征在于，时序网络a、时序网络b、时序网络c是神经网络的层数或者节点数或者训练数据集不同，但其他相同的三种时序网络。

3.根据权利要求1所述的一种时序神经网络模型的测试方法，其特征在于，具体包括以下步骤：

4.根据权利要求3所述的一种时序神经网络模型的测试方法，其特征在于，待测试的时序网络为分类网络，对输入的时序数据进行分类，分类标签为0到n；判定网络d1对生成时序数据和真实时序数据打分，判别生成的数据是真是假；时序网络a即待测试的某个时序网络，对生成时序数据中判定为真的数据进行标签判别；生成网络通过输入噪声伪造具有样本分布的数据，由不同的子生成网络g0到gn构成，分别用于生成输出标签为0到n的序列数据。

5.根据权利要求4所述的一种时序神经网络模型的测试方法，其特征在于，步骤一中，首先固定生成网络g0-gn，分别将生成网络生成的时序数据g(z)和训练的真实数据x输入给判定网络进行判定，如果判定为假，则在假的分类中，打分为1；如果判定为真，继续输入给时序网络a进行类别判断，输出的“真，标签0”的打分即为时序网络a输出的标签0的概率，输出...

【专利技术属性】
技术研发人员：王柳，陈斌，杨继龙，莫丽莎，王梓豪，陈妍颖，
申请(专利权)人：中国航空工业集团公司成都飞机设计研究所，
类型：发明
国别省市：