买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东师范大学申请的专利一种基于抽象自动机的时间序列对抗样本生成方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115545167B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211343442.7，技术领域涉及：G06F18/214；该发明授权一种基于抽象自动机的时间序列对抗样本生成方法是由杜德慧;刘源昊设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本一种基于抽象自动机的时间序列对抗样本生成方法在说明书摘要公布了：本发明公开了一种基于抽象自动机的时间序列对抗样本生成方法，旨在通过使用循环神经网络到权重有限自动机的抽象方法，构建循环神经网络训练过程所对应的权重有限自动机，并基于权重有限自动机，提出一种时间序列对抗样本生成方法，用于提高循环神经网络的鲁棒性。该方法特点在于：将原始输入进行抽象区间划分训练循环神经网络；将原始循环神经网络抽象成为对应的权重有限自动机；并使用权重有限自动机与原始循环神经网络的分类结果差异，用以快速筛选易受攻击的样本；使用敏感负样本与目标正样本的迭代搜索在易受攻击的样本上生成相应的对抗样本。本发明能有效生成最小扰动的时间序列对抗样本，且能确保生成的样本质量。

本发明授权一种基于抽象自动机的时间序列对抗样本生成方法在权利要求书中公布了：1.一种基于抽象自动机的时间序列对抗样本生成方法，其特征在于，该方法包括如下具体步骤： A：首先根据原始时间序列数据集，设定循环神经网络的结构信息和激活函数参数，训练循环神经网络，以完成时间序列分类任务； B：对循环神经网络的输出序列进行抽象，构建权重有限自动机，具体包括： B1：首先对原始输入数据进行正则化，将全部特征值按分布表示为0-1之间的值，从而为后续输入划分提供统一的操作视图；还允许在满足上述将原始输入数据正则化的情况下进一步手动调细抽象划分的粒度，最终获得输入域应当划分成的初步抽象块个数； B2：之后分别计算输入数据各维度上相邻特征值的平均差距值，并以该差距值缩小一个数量级为微小差异值，保证输入抽象划分的有效性； B3：在满足上述计算微小差异值的情况下进一步手动调细抽象划分的粒度，最终获得输入域应当划分成的进一步精化的抽象块个数； B4：在循环神经网络上对训练数据集中所有输入序列按照时间步逐步执行，输出隐状态的显式表示并记录；对所有记录到的显式表示执行预测结果抽象和预测置信度抽象，得到完整的抽象表示并加以记录； B5：对权重有限自动机的状态向量进行初始化；该状态向量是在全体抽象状态之外另设一个独立的初始状态，所有输入序列的执行统一从该状态开始，其物理意义是接收输入前的权重有限自动机将会输出各类别置信度相等的分类结果，对应于原神经网络使用全0初始化；循环神经网络的隐状态统一初始化为全0形式，故采用全0方式构建初始状态向量； B6：建立权重有限自动机的统计迁移矩阵；对于抽象状态集合中的每一个抽象状态，记录循环神经网络在整个训练数据集上的执行过程中得到的落入该抽象状态中的实例状态对应的分类预测输出，并对记录的向量中的每个元素按分布表示为0-1之间的概率值，将记录的概率化之后的向量组装为统计迁移矩阵； B7：建立权重有限自动机的概率输出矩阵；记录循环神经网络在整个训练数据集上的执行过程中得到的落入该抽象状态中的实例状态对应的分类预测输出，并对记录的向量进行概率化，并对记录的向量中的每个元素按分布表示为0-1之间的概率值，将记录的概率化之后的向量组装为概率输出矩阵；至此完成权重有限自动机的构建； C：利用构建的权重有限自动机和原始循环神经网络的预测结果寻找边缘正样本并进行对抗样本生成，具体包括： C1：在整个训练数据集上使用循环神经网络和从步骤B中得到的权重有限自动机分别进行预测，当权重有限自动机预测正确而循环神经网络预测错误时，说明与其他在外部表示方式上相似、事实上分类类别也相同的样本相比，该样本被循环神经网络处理和理解为了不同的潜在流形，从而预测为了错误的类别，将符合这种情况的样本称为敏感负样本；对两者的预测结果以及训练集标签进行对比，挑选出训练数据集中的敏感负样本； C2：在整个训练数据集中寻找与C1中挑选出的距离敏感负样本最近、且实际的所属类别相同的正样本，所述距离通过敏感负样本与寻找出的正样本于各个时间步分别落入的抽象输入块之间的距离来衡量； C3：根据窗口大小和控制超参数确定当前轮次的取样粒度，在窗口内依照所述取样粒度进行取样，将全部新取得的样本送入递归神经网络模型进行预测； C4：定位到预测结果中正负分界的位置，更新窗口大小为该位置两侧的采样样本之间的矩阵差值；随着迭代的进行，采样粒度逐轮变得精细，窗口两侧的样本各自对应的潜在流形不断逼近正负两类流形之间的分类边界，直至取样粒度小于设定的对抗扰动幅度时，最接近边界的正样本即为边缘正样本； C5：设定对抗扰动的幅度，允许在微小差异值的前提下对扰动幅度的大小进行调整，从而确保总是实施微小扰动； C6：计算扰动窗口的大小，微小窗口为大小低于输入样本的时间步长度一个数量级的窗口，在此约束下对实际选用的扰动窗口大小进行灵活调整； C7：引入专家检查以确认边缘正样本没有偏离正确标签所指向的类别； C8：对于合格的边缘正样本，令扰动窗口按照时间步滑动并施加规定的方向和幅度的扰动以生成对抗样本，最后将生成的所有对抗样本存入对抗样本集。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。