1.一种基于GAN的语音对抗样本生成方法，其特征在于：所述方法包括，S1、对原始语音数据样本x进行预处理；

S2、将预处理后的原始语音数据样本x输入生成器G，得到对抗扰动G(x)，使用公式(1)adv构建对抗样本，公式(1)为x ＝x+G(x)；

adv adv

S3、将对抗样本x 输入到判别器D中，并且将对抗样本x 经过梅尔倒谱系数MFCC特征提取器后输入到目标网络f中；

S4、计算目标网络的损失lf、判别器的对抗损失lGAN、铰链损失lhinge、均方差损失l2以及判别器的损失lD，由此得到生成器G训练时的损失函数l；

S4中生成器训练时的损失函数l通过公式(4)得到，该公式(4)具体为：adv

其中，α、β和γ是各项损失的权重， 为生成的对抗样本x 经过MFCC提取器输入目标网络后计算输出的预测值与指定值之间的损失，其根据公式(5) 得到，t是目标标签，lf为目标网络的，MFCC是特征提取器， 可促使构建的语音样本能被目标网络错分成目标标签t；

adv

判别器的对抗损失lGAN采用如下公式(6)获取，即lGAN＝Εxlog(1‑D(x ),t)；

铰链损失lhinge通过公式(7)获得，即lhinge＝Εxmax(0,||G(x)||2‑c)，其中，c为扰动范围参数；

adv

均方差损失l2通过公式(8)获取，即l2＝||x ‑x||2；

adv

判别器的损失lD通过公式(9)获取，即lD＝Εxlog(D(x ))+Εxlog(1‑D(x))；

S5、将S4获得的损失函数l通过梯度反传更新生成器和判别器的参数，并通过公式(10)得到最佳生成器，公式(10)为S6、将原始样本x加载到由S5得到的最佳生成器中，构建得到相应的对抗样本。

2.根据权利要求1所述方法，其特征在于：所述生成器G由8个卷积层、7个反卷积层、一个全连接层构成，其中卷积层和反卷积层之间使用跳跃连接，并使用Tanh激活函数将最后一层的值映射到[‑1,1]的范围内。

3.根据权利要求1所述方法，其特征在于：所述判别器由11个卷积块、一个卷积层、一个全连接层和一个softmax层构成，其中，卷积块包括卷积层、BN层和激活函数Leaky‑ReLU。

4.根据权利要求1所述方法，其特征在于：S5中将S4获得的损失函数l通过梯度反传更新生成器和判别器的参数，具体为，(1) (2) (m)

1)在训练集中随机获取m个原始样本{x ,x ,…,x }；

adv adv(1) adv(2)

2)将m个原始样本输入生成器G，构成m个对抗样本x (x+G(x))，即{x ,x ,…,adv(m)x }；

3)使用 更新

生成器；

4)使用 更新判别器；

5)重复步骤1)‑4)直至完成迭代次数。

5.根据权利要求1所述方法，其特征在于：S1中对原始语音数据样本x进行预处理，具体为，所述原始语音数据样本为内容在2个词语以内的语音信号集合，采用如下公式(2)将语音数据归一化到[‑1 ,1]内，语音数据采样点个数为16384个，公式(2)为

6.根据权利要求5所述方法，其特征在于：所述方法还包括采用如下公式(3)将[‑1,1]范围内的语音数据恢复到[‑32767，32767]的正常范围内，公式(3)为