公开(公告)号：CN115115905A

公开(公告)日：2022-09-27

申请号：CN202210663143.5

申请日：2022-06-13

Applicant: 苏州大学

Inventor： 黄鹤 ,  李欢欢 ,  李浩川 ,  曹洪龙

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于生成模型的高可迁移性图像对抗样本生成方法，包括：采集黑盒目标模型训练集的样本图像进行预处理得到训练样本；构建并训练白盒替身模型，构建包括扰动重利用模块PRM和特征增强模块FEM的生成网络模型；使用训练完成的白盒替身模型训练生成网络模型；将目标图像输入训练完成的生成网络模型，训练完成的生成网络模型生成目标图像的对抗样本，将目标图像的对抗样本输入黑盒目标模型实现基于对抗样本可迁移性的黑盒攻击。本发明有效利用白盒替身模型的中间层特征，缓解对抗样本对白盒替身模型的过拟合，提高对抗样本的可迁移性和黑盒攻击表现效果，生成对抗样本效率高，且生成的对抗样本可以用于评价神经网络的鲁棒性。

公开(公告)号：CN113095294A

公开(公告)日：2021-07-09

申请号：CN202110500427.8

申请日：2021-05-08

Applicant: 苏州大学

Inventor： 黄鹤 ,  张永亮 ,  李欢欢 ,  曹洪龙

IPC: G06K9/00 ,  G06N3/063 ,  G06N3/08

Abstract: 本发明涉及一种自适应数字调制信号解调方法，包括获取已调制信号，并将调制信号转换为数字信号；提取数字信号的特征，其中特征包括信号的幅频特征和相频特征；将信号的幅频特征和相频特征作为多层前向复数值神经网络的输入，利用训练好的多层前向复数值神经网络识别数字信号的调制方式，其中使用基于自适应混合方向的CL‑BFGS算法训练多层前向复数值神经网络，通过在迭代过程中自适应地构建混合搜索方向，调整权值和偏置参数；根据多层前向复数值神经网络的识别结果对数字信号进行解调，获得解调后的数字基带信号。本发明克服了记忆尺度对算法性能造成的不良影响，能够实现多层前向复数值神经网络的高效学习，并取得调制方式识别的显著效果。

公开(公告)号：CN115115905B

公开(公告)日：2023-06-27

申请号：CN202210663143.5

申请日：2022-06-13

Applicant: 苏州大学

Inventor： 黄鹤 ,  李欢欢 ,  李浩川 ,  曹洪龙

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明涉及一种基于生成模型的高可迁移性图像对抗样本生成方法，包括：采集黑盒目标模型训练集的样本图像进行预处理得到训练样本；构建并训练白盒替身模型，构建包括扰动重利用模块PRM和特征增强模块FEM的生成网络模型；使用训练完成的白盒替身模型训练生成网络模型；将目标图像输入训练完成的生成网络模型，训练完成的生成网络模型生成目标图像的对抗样本，将目标图像的对抗样本输入黑盒目标模型实现基于对抗样本可迁移性的黑盒攻击。本发明有效利用白盒替身模型的中间层特征，缓解对抗样本对白盒替身模型的过拟合，提高对抗样本的可迁移性和黑盒攻击表现效果，生成对抗样本效率高，且生成的对抗样本可以用于评价神经网络的鲁棒性。

公开(公告)号：CN113095294B

公开(公告)日：2023-03-24

申请号：CN202110500427.8

申请日：2021-05-08

Applicant: 苏州大学

Inventor： 黄鹤 ,  张永亮 ,  李欢欢 ,  曹洪龙

IPC: G06F18/213 ,  G06N3/063 ,  G06N3/084

Abstract: 本发明涉及一种自适应数字调制信号解调方法，包括获取已调制信号，并将调制信号转换为数字信号；提取数字信号的特征，其中特征包括信号的幅频特征和相频特征；将信号的幅频特征和相频特征作为多层前向复数值神经网络的输入，利用训练好的多层前向复数值神经网络识别数字信号的调制方式，其中使用基于自适应混合方向的CL‑BFGS算法训练多层前向复数值神经网络，通过在迭代过程中自适应地构建混合搜索方向，调整权值和偏置参数；根据多层前向复数值神经网络的识别结果对数字信号进行解调，获得解调后的数字基带信号。本发明克服了记忆尺度对算法性能造成的不良影响，能够实现多层前向复数值神经网络的高效学习，并取得调制方式识别的显著效果。