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！

申请/专利权人：辽宁大学

摘要：一种基于影响函数的恶意语音检测方法，该方法通过分析数据点对模型预测的影响度，增强了深度学习模型在恶意语音检测领域的可解释性。利用影响函数对原始声音信号中可能存在的恶意语音进行识别和检测，大幅提升了检测精度和效率。相较于传统方法，该方法通过影响函数使用较少的计算量来达到较好的检测效果。这种技术在保持检测在效率和优势方面表现出色，为深度学习和解释性机器学习领域提供了新的应用可能。该技术不仅提高了恶意语音检测的准确性，还能准确地识别并解释模型为何将特定语音判定为恶意，从而在确保检测率的同时，提升了模型的透明度和信任度。

主权项：1.一种基于影响函数的恶意语音检测方法，其特征在于，其步骤为：1语音数据集特征的提取：提取基频、梅尔频率倒谱系数、线性预测编码系数、短时能量；2原始影响函数：计算输入特征对应模型影响，对于每个输入特征xtest，ytest，计算在模型中的影响梯度公式如下： 其中，x和y分别表示训练数据点的输入和输出，xtest和ytest分别表示测试数据点的输入和输出，θ表示模型的参数，Lx，y，θ表示给定参数θ的模型的损失函数，和分别表示关于输入x和参数θ的梯度；Hθ为参数θ下损失函数的二阶导数矩阵；Hessian矩阵Hθ计算方法如公式所示： 其中，θ∈Rn为参数向量，riθ为第i个残差项；3优化影响函数：近似雅可比矩阵转置、权矩阵和雅可比矩阵的乘积来代替Hessian矩阵，使用之前得到的特征重要度矩阵作为权重矩阵，对特征的残差分配重要度权重，雅可比权重矩阵Gθ计算方法如公式所示：Gθ＝JθTWJθ其中，Gθ表示损失函数关于参数θ的一阶导数矩阵，Jθ表示非线性函数riθ对参数向量θ的偏导数矩阵，W是一个对角矩阵，对角线上的元素表示每个残差对应的特征权重；雅可比矩阵Jθ计算如公式所示 其中，θ∈Rn参数向量，riθ第i个残余项并且第i行是优化后的影响函数如公式所示： 4语音检测：通过3中的方法计算雅可比矩阵，通过雅可比矩阵和特征权重，计算得出特征重要性权重矩阵，并通过损失函数计算特征的损失，最终得出单个样本对模型的影响，如果影响超出设定的阈值，认定该样本就是恶意样本，如果影响低于设定的阈值，认定该样本不是恶意样本。

全文数据：

权利要求：

百度查询： 辽宁大学 一种基于影响函数的恶意语音检测方法