[发明专利]一种深度神经网络模型的构建方法和装置

说明书

本发明公开了一种深度神经网络模型的构建方法和装置。对原始数据进行随机相位加密得到训练数据，利用训练数据训练第i‑1深度神经网络模型，得到第i深度神经网络模型，将训练数据输入第i深度神经网络模型得到第i输出结果，与训练数据对应的原始数据进行比对，判断比对结果是否满足预设收敛条件，若满足，则确定第i深度神经网络模型为构建的深度神经网络模型，若不满足，则令i＝i+1，重新利用训练数据训练第i‑1深度神经网络模型。由于训练数据输入到深度神经网络模型中，得到的输出结果是与原始数据进行比对的，因此该模型为能够破解随机相位加密的解密模型，解决了缺少能破解随机相位加密的算法模型的技术问题。

技术领域

本发明涉及图像处理领域，尤其涉及一种深度神经网络模型的构建方法和装置。

背景技术

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。被广泛应用于图像识别，大数据分类等。但是，在大数据的密码分析方面，缺少能破解随机相位加密的算法模型。

发明内容

本发明的主要目的在于提供一种深度神经网络模型的构建方法和装置，可以解决在大数据的密码分析方面，缺少能破解随机相位加密的算法模型的技术问题。

为实现上述目的，本发明第一方面提供一种深度神经网络模型的构建方法，其特征在于，所述方法包括：

步骤A、对多组原始数据进行随机相位加密得到训练数据；

步骤B、利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型；

步骤C、当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型；

步骤D、当所述第i比对结果不满足所述预设收敛条件时，令i＝i+1，返回执行所述步骤B。

为实现上述目的，本发明第二方面提供一种深度神经网络模型的构建装置，其特征在于，所述装置包括：

第一加密模块，用于对多组原始数据进行随机相位加密得到训练数据；

训练比对模块，用于利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型；

第一确定模块，用于当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型；

第一返回模块，用于当所述第i比对结果不满足所述预设收敛条件时，令i＝i+1，返回所述训练比对模块。

本发明提供一种深度神经网络模型的构建方法和装置。由于对原始数据进行了随机相位加密，且加密后得到的训练数据输入到深度神经网络模型中，得到的输出结果是与原始数据进行比对的，因此该模型为能够破解随机相位加密的解密模型，解决了缺少能破解随机相位加密的算法模型的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明第一实施例中一种深度神经网络模型的构建方法的流程示意图；

图2为本发明第一实施例中步骤B的细化步骤的流程示意图；