發(fā)布時(shí)間：2023-06-01 05:11

　　近年來(lái),深度神經(jīng)網(wǎng)絡(luò)在音頻識(shí)別中的應(yīng)用使自動(dòng)語(yǔ)音識(shí)別(Automatic Speech Recognition,ASR)系統(tǒng)取得了令人矚目的進(jìn)步。目前的ASR系統(tǒng)已經(jīng)具有高準(zhǔn)確性和便利性,各種智能終端配備的語(yǔ)音識(shí)別接口使其開(kāi)始為人們提供廣泛的服務(wù)。然而,近年來(lái)大量實(shí)驗(yàn)已經(jīng)證明,微小的對(duì)抗性擾動(dòng)可以欺騙深度神經(jīng)網(wǎng)絡(luò),使其錯(cuò)誤地輸出攻擊者所指定的目標(biāo)。目前對(duì)抗ASR系統(tǒng)的工作主要集中于白盒攻擊,而在黑盒環(huán)境下針對(duì)語(yǔ)音識(shí)別系統(tǒng)生成對(duì)抗樣本的方法很少。在黑盒環(huán)境中模型架構(gòu)和參數(shù)是未知的,這使得生成對(duì)抗樣本相對(duì)困難,但黑盒攻擊方法的優(yōu)勢(shì)在于其不依賴(lài)于模型結(jié)構(gòu),因此這類(lèi)方法對(duì)語(yǔ)音識(shí)別系統(tǒng)具有更大威脅。本文將遺傳算法和梯度估計(jì)相結(jié)合,提出了一種有效的黑盒攻擊方法。該方法通過(guò)對(duì)每個(gè)輸入音頻樣本進(jìn)行迭代訓(xùn)練,實(shí)現(xiàn)了86.5%的定向攻擊成功率,同時(shí)保持了94.6%的音頻文件相似度。在此基礎(chǔ)上,本文繼續(xù)探究了對(duì)輸入普適的語(yǔ)音對(duì)抗樣本生成方法。最新研究證實(shí)了針對(duì)用于圖像識(shí)別的神經(jīng)網(wǎng)絡(luò)模型存在輸入普適的對(duì)抗性樣本,即對(duì)任意的原始圖像添加相同的對(duì)抗性擾動(dòng)可以高概率地欺騙神經(jīng)網(wǎng)絡(luò)分類(lèi)器,使其分類(lèi)出錯(cuò)。本文在此基礎(chǔ)上...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及分析
        1.2.1 語(yǔ)音識(shí)別模型研究現(xiàn)狀
        1.2.2 神經(jīng)網(wǎng)絡(luò)對(duì)抗樣本研究現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容及章節(jié)安排
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 論文組織結(jié)構(gòu)
第2章 語(yǔ)音識(shí)別對(duì)抗樣本理論基礎(chǔ)
    2.1 DNN基本原理
    2.2 現(xiàn)代語(yǔ)音識(shí)別模型框架
        2.2.1 語(yǔ)音聲學(xué)特征提取
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.3 CTC損失函數(shù)
    2.3 對(duì)抗樣本基本理論與生成方法
    2.4 本章小結(jié)
第3章 黑盒環(huán)境下的語(yǔ)音對(duì)抗樣本生成方法
    3.1 基于遺傳算法的對(duì)抗樣本生成方法
        3.1.1 貪心CTC評(píng)分函數(shù)
        3.1.2 交叉變異算法
        3.1.3 基于線搜索的優(yōu)化算法
    3.2 結(jié)合梯度估計(jì)的對(duì)抗樣本生成方法
        3.2.1 梯度估計(jì)算法
        3.2.2 黑盒語(yǔ)音對(duì)抗樣本損失函數(shù)
        3.2.3 基于對(duì)目標(biāo)函數(shù)一階展開(kāi)的自適應(yīng)學(xué)習(xí)率算法
    3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第4章 普適性語(yǔ)音對(duì)抗樣本生成方法
    4.1 普適性對(duì)抗樣本生成方法相關(guān)理論
    4.2 基于單步梯度更新的普適性對(duì)抗樣本生成算法
        4.2.1 普適性對(duì)抗樣本目標(biāo)函數(shù)
        4.2.2 單步梯度更新優(yōu)化算法
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號(hào)：3826686