1.一种针对语音识别系统的黑盒对抗样本生成方法，其特征在于：包括，S1，种群初始化；

所述S1中的种群的个体由如下公式获得：

pi＝x+ri×wi，i＝1，2，…，N，

其中x为待修改的音频样本，N表示种群规模，pi表示种群中第i个个体的初始化，ri为向第i个个体中添加的随机扰动，wi为根据待修改的音频样本x计算的扰动权重向量ri，j由如下公式获得：ri，j＝R(‑b，b)，j＝1，2，…M，

其中M表示单个个体的基因数，ri，j表示第i个个体中的第j个基因，b表示扰动的取值范围b＝256；R()是随机函数，该函数从[‑b，b]范围内随机选择一个整数；

wi，j由如下公式获得：

其中wi，j表示第i个个体的第j个基因的权重，qmin，q，qmax分别表示权重的取值范围，其中qmin，＝0.6，q＝1，qmax＝2；R′()是随机函数，该函数在区间[qmin，q]或[q，qmax]内生成一个随机数作为当前基因的权重；|·|表示绝对值函数；函数Sort()表示对变量进行从大到小的排序；

S2，计算种群中个体的适应度值；

所述S2中适应度值WER采用如下公式进行计算：其中f()是目标语音识别网络的函数，该函数接收个体p作为输入，输出相应的翻译结果s；Levenshtein(s，t)是指将个体的文本识别结果s通过插入、删除或替换转换成目标文本t所需要的最小单字符编辑次数；H是指目标文本t的字符个数；

S3，判断个体的适应度值是否满足设定条件，若是，则获得对抗样本，若否，则执行S4；

S4，对种群中的个体进行选择操作获取精英个体；

所述S4中选择操作包括，对个体的适应度值进行降序排序，得到排完序的种群p′＝(p1′，p2′，...，pN′)，取前topk个个体作为精英个体P′topk；

S5，对种群中获取精英个体后的剩余个体进行交叉操作；

所述S5中的剩余个体为N‑topk个，所述S5中交叉操作包括，首先，随机从N‑topk个剩余个体p′N‑topk中取两个个体作为父代1和父代2；然后，生成个体基因长度的随机数向量λ，其中随机数的范围为[0，1]，最后子代的取值基于随机数向量λ，规则如下公式所示：上式中子代offspring的第i个基因的值根据随机向量中λ第i个值决定；若λi小于0.5，子代第i个值取自父代1中第i个基因parent1i的值；否则，子代第i个值取自父代2中第i个基因parent2i的值，最终生成N‑topk个子代；

S6，对剩余个体执行变异操作；

所述S6中变异操作采用如下公式进行，

new_pi＝offspringi+ri×wi，i＝1，2，…，N‑topk；

其中，new_pi为执行完变异操作的第i个子代；

S7，将执行变异操作后的剩余个体与精英个体构成下一代并返回执行S1。

2.根据权利要求1所述的黑盒对抗样本生成方法，其特征在于：所述S3中的设定条件为，WER值为0。