基于频域信息分配的神经网络模型鲁棒性增强方法

本发明提供的是一种基于频域信息分配的神经网络模型鲁棒性增强方法。其特征是：首先，对输入的权重矩阵进行快速傅里叶变换(FFT)；然后，在频域对权重进行类高斯系数的重新分配；接着，通过逆傅里叶变换(IFFT)将处理后的权重转换回时域；最后，输出增强后的新模型。该流程实现了神经网络权重在频域的再分配，本质上是构建了一种特殊的权重共享机制，使得每个神经元的参数信息能按特定模式扩散到邻近神经元，以增强模型的鲁棒性。本发明提供了一种不需修改原有训练框架、免重新训练、计算高效、易于部署的神经网络模型的鲁棒性增强方案。本发明可用于实际应用中卷积神经网络的鲁棒性优化以及机器学习模型的轻量化，可广泛用于人工智能机器学习领域，具有良好的应用前景。