[发明专利]一种超深度强对抗学习的机器学习方法

权利要求书

1.一种超深度强对抗学习的机器学习方法，其特征在于：

(1)通过超深度对抗学习获得可复制标识图像的特征向量集合；

(2)通过超深度对抗学习获得手机识别标识图像的特征向量集合；

(3)通过超深度强对抗学习从手机识别标识图像的特征向量集合中剔除属于可复制标识图像的特征向量；获得手机大众真伪识别的防伪验证码。

2.根据权利要求1所述的一种超深度强对抗学习的机器学习方法，其特征在于：所述对抗学习是指：在计算识别对象的特征要素属于一个已登录的概率空间的概率分布的特征要素的模糊事件概率测度时；同时又计算识别对象的特征要素属于另一个已登录的概率空间的概率分布的特征要素的模糊事件概率测度；将这两种模糊事件概率测度进行对抗；最终判断属于哪个已登录的概率空间的概率分布的特征要素。

3.根据权利要求1所述的一种超深度强对抗学习的机器学习方法，其特征在于：所述对抗学习是建立在最大概率信赖度所属的特征要素基础上的。

4.根据权利要求1所述的一种超深度强对抗学习的机器学习方法，其特征在于：基于穿越不同空间的距离是指：通过多概率尺度的自组织学习得到的概率分布的复数领域中的概率信息；或通过学习得到实际概率分布的多概率尺度的概率信息获得的穿越不同空间的距离。

5.根据权利要求1所述的一种超深度强对抗学习的机器学习方法，其特征在于：概率分布是指：包括具有正态分布；多变量正态分布；对数正态分布；指数分布；t分布；F分布；X²分布；二项分布；负的二项分布；多项分布；泊松分布；爱尔朗分布(Erlang Distribution)；超几何分布；几何分布；通信量分布；韦伯分布(Weibull Distribution)；三角分布；贝塔分布(Bete Distribution)；伽马分布(Gamma Distribution)中任意一种或是引伸到贝叶斯方法(Bayesian Analysis)；高斯过程(Gaussian Processes)中的任意概率分布中任意一种概率分布。

6.根据权利要求1所述的一种超深度强对抗学习的机器学习方法，其特征在于：不同空间的距离是指：欧几里德空间；概率空间包括曼哈顿空间(Manhattan Space)；切比雪夫空间(Chebyshev Space)；闵可夫斯基空(Minkowski Space)；马氏空间(MahalanobisSpace)；夹角余弦空间(Cosine Space)中的任意空间组合。

7.根据权利要求1所述一种超深度强对抗学习的机器学习方法，其特征在于：模糊事件概率测度可由如下公式表达：

设在欧几里德空间存在着一个概率空间的集合w_j∈W(w₁，w₂，…，w_n)中有一个元素w_j的概率分布的中心点为w_j，该概率分布的多概率尺度的第一个刻度为M₁，第二个刻度为M₂，第三个刻度为M₃，中心点w_j与第一个刻度M₁的间距为D_1j＝M_1j，在这区间属于集合w_j的概率分布的概率值为P_1j^(wj)，由第二个刻度到第一个刻度的间距为D_2j＝M_2j-M_1j，在这区间属于集合w_j的概率分布的概率值为P_2j^(wj)，由第三个刻度到第二个刻度的间距为D_3j＝M_3j-M_2j在这区间属于集合W的概率分布的概率值为P_3j^(wj)，设穿越属于w_j概率空间时所经过的刻度数m_j^(wj＝3，又设在欧几里德空间还存在另一个概率空间集合v_j∈V(v₁，v₂，…，v_n)，在两个集合的中间又存在一个点，任意一点r_j∈R(j＝1，2，…，n)，求r_j在w_j到v_j之间，r_j属于w_j概率分布的概率值为rp_j^(wj)，求r_j到达w_j的模糊事件概率测度：