買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江工業大學申請的專利一種基于多模態的深度學習信號個體識別模型防御方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115392285B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210835292.5，技術領域涉及：G06F18/241；該發明授權一種基于多模態的深度學習信號個體識別模型防御方法是由宣琦;凌書揚;陳芝昊;陳壯志;徐東偉;楊小牛設計研發完成，并于2022-07-15向國家知識產權局提交的專利申請。

本一種基于多模態的深度學習信號個體識別模型防御方法在說明書摘要公布了：一種基于多模態的深度學習信號個體識別模型防御方法，包括以下步驟：S1：將原始數據集按比例分為訓練集和測試集，并生成時域和頻域兩個信號域的多模態數據；S2：利用歸一化后的兩組模態數據，對多模態輸入卷積神經網絡模型進行訓練，完成模型訓練并得到模型對于測試集的個體識別分類準確率；S3：對原始信號攻擊生成對抗樣本，并利用對抗樣本生成實部和虛部及短時傅里葉變換的兩組多模態對抗樣本。利用多模態對抗樣本及訓練所得模型，測試模型的攻擊成功率，評價信號多模態輸入個體識別模型的防御性能。所搭建的多模態輸入的卷積神經網絡模型相較于原始時域數據所訓練的模型在提高個體識別分類性能的同時，大大增強了模型的防御性能。

本發明授權一種基于多模態的深度學習信號個體識別模型防御方法在權利要求書中公布了：1.一種基于多模態的深度學習信號個體識別模型防御方法，其特征在于：包括如下步驟： S1：將個體射頻信號數據集按一定比例分為訓練集和測試集，訓練集用于訓練模型，測試集用于測試訓練所得模型的個體識別精度；利用原信號生成信號的實部和虛部及短時傅里葉變換的兩組多模態數據，其中前者為信號時域的模態，后者為信號頻域的模態，兩者屬于不同的信號域； S2：將生成所得的兩組模態數據進行歸一化處理，輸入所搭建的適合于多模態輸入的卷積神經網絡模型進行訓練，完成模型訓練并得到模型對于測試集的個體識別分類準確率；具體包括： S2.1：為減小同組中不同模態數據數量級上的差距對于模型訓練的影響，將每組多模態數據分別進行歸一化處理，所使用的歸一化方式為： x＝2×x-minmax-min-12 其中max為同一模態數據中的最大值，min為同一模態數據中的最小值；在進行歸一化操作之后，所有用于模型訓練的數據的數值都在-1到1的范圍之內； S2.2：將歸一化完成之后的個體射頻信號多模態數據輸入到適用于多模態輸入的個體識別分類模型中；具體來說，該模型由兩個結構相同的、并行的卷積神經網絡組成，兩組模態數據分別輸入兩個并行的卷積神經網絡，將兩個經過卷積神經網絡特征提取后輸出的logit軟標簽概率矩陣以對應位置相加的投票方式進行特征融合，得到模型預測結果，并最終得到得到訓練所得模型對于測試集的個體識別分類準確率； S3：對原始信號進行擾動，生成對抗樣本，并利用對抗樣本生成實部和虛部及短時傅里葉變換的兩組多模態對抗樣本數據；利用多模態對抗樣本數據及訓練所得模型，測試模型的擾動成功率，評價信號多模態輸入個體識別模型的防御性能；具體包括： S3.1：使用一種傳統迭代擾動方式，對原始信號進行擾動得到原始信號的對抗樣本；利用原始信號對抗樣本，整理和計算得到實部和虛部的信號時域對抗樣本和短時傅里葉變換的信號頻域對抗樣本； S3.2：將信號時域和頻域的對抗樣本輸入到訓練所得的多模態輸入卷積神經網絡模型中，得到預測標簽，將預測標簽與真實標簽進行對比，得到擾動對于模型的擾動成功率，以評價信號多模態輸入個體識別模型的防御性能；其中，擾動成功率為預測標簽與真實標簽不同的樣本數與樣本總數的比值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江工業大學，其通訊地址為：310014 浙江省杭州市拱墅區潮王路18號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。