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！

龙图腾网获悉浙江工业大学申请的专利一种基于多模态的深度学习信号个体识别模型防御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：CN115392285B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202210835292.5，技术领域涉及：G06F18/241；该发明授权一种基于多模态的深度学习信号个体识别模型防御方法是由宣琦;凌书扬;陈芝昊;陈壮志;徐东伟;杨小牛设计研发完成，并于2022-07-15向国家知识产权局提交的专利申请。

本一种基于多模态的深度学习信号个体识别模型防御方法在说明书摘要公布了：一种基于多模态的深度学习信号个体识别模型防御方法，包括以下步骤：S1：将原始数据集按比例分为训练集和测试集，并生成时域和频域两个信号域的多模态数据；S2：利用归一化后的两组模态数据，对多模态输入卷积神经网络模型进行训练，完成模型训练并得到模型对于测试集的个体识别分类准确率；S3：对原始信号攻击生成对抗样本，并利用对抗样本生成实部和虚部及短时傅里叶变换的两组多模态对抗样本。利用多模态对抗样本及训练所得模型，测试模型的攻击成功率，评价信号多模态输入个体识别模型的防御性能。所搭建的多模态输入的卷积神经网络模型相较于原始时域数据所训练的模型在提高个体识别分类性能的同时，大大增强了模型的防御性能。

本发明授权一种基于多模态的深度学习信号个体识别模型防御方法在权利要求书中公布了：1.一种基于多模态的深度学习信号个体识别模型防御方法，其特征在于：包括如下步骤： S1：将个体射频信号数据集按一定比例分为训练集和测试集，训练集用于训练模型，测试集用于测试训练所得模型的个体识别精度；利用原信号生成信号的实部和虚部及短时傅里叶变换的两组多模态数据，其中前者为信号时域的模态，后者为信号频域的模态，两者属于不同的信号域； S2：将生成所得的两组模态数据进行归一化处理，输入所搭建的适合于多模态输入的卷积神经网络模型进行训练，完成模型训练并得到模型对于测试集的个体识别分类准确率；具体包括： S2.1：为减小同组中不同模态数据数量级上的差距对于模型训练的影响，将每组多模态数据分别进行归一化处理，所使用的归一化方式为： x＝2×x-minmax-min-12 其中max为同一模态数据中的最大值，min为同一模态数据中的最小值；在进行归一化操作之后，所有用于模型训练的数据的数值都在-1到1的范围之内； S2.2：将归一化完成之后的个体射频信号多模态数据输入到适用于多模态输入的个体识别分类模型中；具体来说，该模型由两个结构相同的、并行的卷积神经网络组成，两组模态数据分别输入两个并行的卷积神经网络，将两个经过卷积神经网络特征提取后输出的logit软标签概率矩阵以对应位置相加的投票方式进行特征融合，得到模型预测结果，并最终得到得到训练所得模型对于测试集的个体识别分类准确率； S3：对原始信号进行扰动，生成对抗样本，并利用对抗样本生成实部和虚部及短时傅里叶变换的两组多模态对抗样本数据；利用多模态对抗样本数据及训练所得模型，测试模型的扰动成功率，评价信号多模态输入个体识别模型的防御性能；具体包括： S3.1：使用一种传统迭代扰动方式，对原始信号进行扰动得到原始信号的对抗样本；利用原始信号对抗样本，整理和计算得到实部和虚部的信号时域对抗样本和短时傅里叶变换的信号频域对抗样本； S3.2：将信号时域和频域的对抗样本输入到训练所得的多模态输入卷积神经网络模型中，得到预测标签，将预测标签与真实标签进行对比，得到扰动对于模型的扰动成功率，以评价信号多模态输入个体识别模型的防御性能；其中，扰动成功率为预测标签与真实标签不同的样本数与样本总数的比值。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。