一种针对快速梯度下降对抗攻击的防御方法

智能舰船识别可有效提高舰船装备智能化水平,但存在安全识别问题,即使性能卓越的分类模型也会受到对抗样本的攻击。面对快速梯度下降法(FGSM)这类对抗攻击,传统的防御方法需要先推倒已经训练好的分类模型,再通过安全手段进行重新训练。为简化这一过程,提出防御FGSM对抗攻击的FGSM-Defense算法。获得分类器对对抗样本初次预测的类别排名后,按相应置信度大小排名取出指定数量的类别。在此基础上,通过暴力搜索将这些类别依次指定为攻击目标,分别对原对抗样本进行FGSM有目标攻击,并按相应规则分步缩小搜索范围,筛选出对抗样本真实的类别。实验结果表明,该算法能够准确区分对抗样本的真实类别,在ImageNet数据集上的防御成功率为53.1%。与传统防御方法相比,其无需改变原有神经网络结构和重新训练分类模型,可减少对硬件算力的依赖,降低防御成本。

基于卷积神经网络去噪正则化的相位恢复算法

相位恢复问题是指仅从幅值测量中恢复原始信号.由于幅值测量中缺少相位信息,精确恢复原始信号困难,因此需要加入正则化项确保高精度重建原始信号.结合交替投影和卷积神经网络提出了基于卷积神经网络去噪正则化的相位恢复算法(NrPR_DnCNN).所提算法将相位恢复问题转化为去噪和约束优化两个子问题,并利用l 1正则化快速梯度下降法交替求解.仿真结果表明:与BM3D_PRGAMP算法相比,所提算法重构图像的峰值信噪比在二种高斯噪声水平上分别提高了2.08 dB和3.20 dB,验证了所提算法的有效性和鲁棒性;误差-迭代仿真结果验证了所提算法具有良好的收敛性.

改进的径向基神经网络模型在水库异重流泥沙淤积量模拟中的应用

文章结合径向基神经网络模型对辽宁中部某水库的异重流泥沙淤积进行模拟。研究结果表明:改进的径向基神经网络模型结合梯度快速下降法对模型进行最优求解,模型收敛和求解精度得到较为明显的改善。在水库异重流泥沙淤积模拟中,相比于传统模型,模型收敛率提高29%,年汛期时间尺度水库泥沙淤积模拟误差分别减少17.1%和11.9%,但在非汛期由于水库异重流泥沙淤积影响要素较多,模拟误差改善较小。研究方法可解决水库异重流泥沙淤积量预测的精度问题。