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！

龙图腾网获悉西安电子科技大学申请的专利基于置信度分析的黑盒模型分类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：CN115329983B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202210986464.9，技术领域涉及：G06N20/00；该发明授权基于置信度分析的黑盒模型分类方法是由马卓;李双;张俊伟;刘洋;刘心晶;杨易龙;李腾设计研发完成，并于2022-08-17向国家知识产权局提交的专利申请。

本基于置信度分析的黑盒模型分类方法在说明书摘要公布了：本发明公开了一种基于置信度分析的黑盒模型类型分类方法，其实现步骤为：利用置信度的特性对待分类的黑盒模型类型进行分类，将具有离散性置信度的待探测模型的类型判定为决策树或森林，将具有对称性置信度的待探测模型的类型判定为高斯核SVM，将具有线性可解性置信度的待探测模型的类型判定为线性。本发明通过观察待探测的黑盒模型输出的置信度在输入数据发生变化时所展现出的不同特性来探测模型，对模型做出分类，具有访问待探测模型次数少，效率高的优点。

本发明授权基于置信度分析的黑盒模型分类方法在权利要求书中公布了：1.一种基于置信度分析的黑盒模型类型分类方法，其特征在于，利用置信度的特性对待分类的黑盒模型类型进行分类，将具有离散性置信度的待探测模型的类型判定为决策树或森林，将具有对称性置信度的待探测模型的类型判定为高斯核SVM，将具有线性可解性置信度的待探测模型的类型判定为线性；该方法的具体步骤包括如下： 步骤1，利用置信度的离散性对待探测的黑盒模型进行探测： 步骤1.1，随机生成至少五个数据矩阵，并将所有生成的数据矩阵输入到待探测的黑盒模型中，输出每个数据矩阵对应的置信度，将所有数据矩阵和其对应的置信度组成数据集； 步骤1.2，从数据集中随机选取至少三个数据矩阵，且至少有一个数据矩阵对应的置信度与其他数据矩阵对应的置信度都不相等； 步骤1.3，从每个选中的数据矩阵中任意选取至少一个未选过的元素，为每个选中的元素选取一个随机数，分别使用所选取的元素与为其选中的随机数的和更新对应元素，其中，随机数所在的集合为{a|a∈-0.2,-0.1∪0.1,0.2}，所选中的数据矩阵与其对应的更新元素后的数据矩阵的各元素的差的平方和小于ε，ε≤0.05； 步骤1.4，将更新元素后的所有数据矩阵依次输入到待探测的黑盒模型中，输出每个数据矩阵对应的置信度； 步骤1.5，统计每个所选数据矩阵更新前后置信度相等的个数； 步骤2，判断置信度相等的数据矩阵个数占所选数据矩阵的总数的比例是否大于80％，若是，则执行步骤3，否则，执行步骤4； 步骤3，判断所有更新元素后数据矩阵的置信度中是否至少存在一个与其他置信度都不相等的置信度，若是，将待探测黑盒模型的置信度判定为具有离散性后执行步骤14，否则，执行步骤4； 步骤4，利用置信度的对称性对待探测的黑盒模型进行探测： 步骤4.1，将步骤1.3中更新元素后的所有数据矩阵和其对应的置信度添加到数据集中，得到更新后的数据集； 步骤4.2，建立一个空的置信度列表； 步骤4.3，从更新后的数据集中任意选取至少3个未选过的数据矩阵，从所选数据矩阵中任意选取至少1个元素； 步骤4.4，将所有选取的元素的值更新为b，将元素值更新后的所有数据矩阵输入到待探测的黑盒模型中，输出元素值更新后的数据矩阵对应的置信度，将所有置信度保存到置信度列表中，其中，b的初始值b0∈{10000k|k∈Z*}； 步骤5，计算置信度列表中每两个置信度的距离； 步骤6，判断置信度列表中每两个置信度的距离是否小于δ，若是，执行步骤7，否则，执行步骤9，其中，δ∈0,10-5]； 步骤7，判断置信度列表中保存的每个置信度中所有元素的值的绝对值是否都小于λ，若是，则执行步骤8，否则，执行步骤9，其中，λ∈[0.99,1； 步骤8，判断置信度列表中保存的每个置信度中所有元素的值的绝对值是否都大于β，若是，将待探测黑盒模型的置信度判定为具有对称性后执行步骤13，否则，执行步骤9，其中，β∈0,0.001]； 步骤9，利用线性可解性对待探测的黑盒模型进行探测： 步骤9.1，构建线性矩阵方程yj＝xjW+D，其中，yj为第j个数据矩阵对应的置信度，xj为参与求解线性矩阵方程的第j个数据矩阵，W为由g行k列组成的矩阵，g的取值等于数据矩阵中元素的总数，D为由1行k列组成的矩阵，当待探测的黑盒模型为二分类模型时，k的值为1，当待探测的黑盒模型为多分类模型时k的取值等于待探测的黑盒模型分类的种类个数； 步骤9.2，判断步骤4.1更新后的数据集中数据矩阵的总数是否小于e，若是，则执行步骤9.3，否则，执行步骤9.4，其中e的取值等于矩阵W中元素的总数与矩阵D中元素的总数之和； 步骤9.3，随机生成t个数据矩阵，并将所有生成的数据矩阵输入到待探测的黑盒模型中，输出每个数据矩阵对应的置信度，将所有数据矩阵和其对应的置信度添加到步骤4.1更新后的数据集中得到当前更新的数据集，其中，t等于e与步骤4.1更新后的数据集中含有的数据矩阵的总数之差； 步骤9.4，将当前数据集中所有数据矩阵依次转换为仅有一行的数据矩阵，利用所有转换后的数据矩阵和每个数据矩阵对应的置信度以及线性方程组的迭代解法求解线性矩阵方程yj＝xjW+D，得到两个参数矩阵W和D，并使用W和D构成新的线性矩阵方程Y＝XW+D，其中，Y为输入矩阵对应的函数值，X为输入的数据矩阵； 步骤9.5，依次将数据集中每一个数据矩阵输入到线性矩阵方程Y＝XW+D中计算其对应的函数值，统计数据集中每一个数据矩阵对应的函数值中最大值对应的索引和置信度中最大值对应的索引相等的数据矩阵的个数，其中，当待探测的黑盒模型为二分类模型时，数据矩阵对应的函数值具有的2个元素分别为线性矩阵方程的计算结果和1与线性矩阵方程的计算结果的差，当待探测的黑盒模型为多分类模型时，数据矩阵对应的函数值为含有k个元素的一维矩阵； 步骤9.6，使用公式h＝AB，计算线性矩阵方程与待探测的黑盒模型的相似度，其中，A表示数据集中每一个数据矩阵对应的函数值中最大值和置信度中最大值相等的数据矩阵的个数，B表示数据集中含有的数据矩阵的个数； 步骤10，判定线性矩阵方程与待探测的黑盒模型的相似度是否大于0.8，若是，则将待探测黑盒模型的置信度判定为具有线性可解性后执行步骤11，否则，执行步骤12； 步骤11，将待探测的黑盒模型的类型判定为线性类型； 步骤12，将待探测的黑盒模型的类型判定为未知类型； 步骤13，将待探测的黑盒模型的类型判定为高斯核支持向量机； 步骤14，将待探测的黑盒模型的类型判定为决策类型。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。