1.一种基于GAN的神经网络水印生成方法，其特征在于，包括：将原始数据集输入到生成器中，生成噪声数据集；

在原始数据集中的每个样本上加上噪声数据集中其对应的噪声，得到触发样本水印集；

将触发样本水印集和原始数据集同时送入到判别器中，通过对判别器进行对抗训练使触发样本水印集与原始数据集之间的相似度满足要求；

将通过对抗训练获得的与原始数据集之间的相似度满足要求的触发样本水印集输入到神经网络模型，输出结果；

设置判别器的损失函数、生成器的损失函数以及软铰链损失函数，并根据判别器的损失函数、生成器的损失函数，以及软铰链损失函数确定整体损失函数；利用整体损失函数同步训练生成器、判别器和神经网络模型；

利用触发样本水印集验证所述神经网络模型，获得最终生成水印的神经网络模型；

利用神经网络模型触发样本水印生成；

所述判别器的损失函数表示如下：其中 表示函数 的期望值， 表示函数 的期望值，表示判别器D输入原始数据集X的输出， 表示判别器D输入触发样本水印集 的输出；

生成器的损失函数表示如下：，

其中 表示函数 的期望值， 为目标矩阵，  为交叉熵损失函数，为触发样本水印集；

所述软铰链损失函数表示如下：其中 表示函数 的期望值， 表示生成器输入原始数据集X的输出，c为常数；

整体损失函数表示为：

其中 为判别器的损失函数， 为生成器的损失函数， 为软铰链损失函数，α、β和γ三个参数用来调节每项损失的重要程度。

2.根据权利要求1所述的一种基于GAN的神经网络水印生成方法，其特征在于，采用图像质量评价函数SSIM计算所述相似度，当相似度大于等于设定相似度阈值，则确定触发样本水印集与原始数据集之间的相似度满足要求。

3.根据权利要求2所述的一种基于GAN的神经网络水印生成方法，其特征在于，所述相似度阈值设定为0.85。

4.一种基于GAN的神经网络水印生成系统，其特征在于，包括：生成器、判别器、神经网络模型以及训练验证模块；所述生成器用于基于原始数据集生成噪声数据集；

所述判别器用于同时输入触发样本水印集和原始数据集，通过对抗训练使触发样本水印集与原始数据集之间的相似度满足要求，其中触发样本水印集通过在原始数据集中的每个样本上加上噪声数据集中其对应的噪声得到；

所述神经网络模型用于输入通过对抗训练获得的与原始数据集之间的相似度满足要求的触发样本水印输出结果，以及利用神经网络模型触发样本水印生成；

所述训练验证模块，用于设置判别器的损失函数、生成器的损失函数以及软铰链损失函数，并根据判别器的损失函数、生成器的损失函数，以及软铰链损失函数确定整体损失函数；利用整体损失函数同步训练生成器、判别器和神经网络模型；利用触发样本水印集验证所述神经网络模型，获得最终生成水印的神经网络模型；

所述判别器的损失函数表示如下：其中 表示函数 的期望值， 表示函数 的期望值，表示判别器D输入原始数据集X的输出， 表示判别器D输入触发样本水印集的输出；

生成器的损失函数表示如下：，

其中 表示函数 的期望值， 为目标矩阵，  为交叉熵损失函数， 为触发样本水印集；

所述软铰链损失函数表示如下：其中 表示函数 的期望值， 表示生成器输入原始数据集X的输出，c为常数；

整体损失函数表示为：

其中 为判别器的损失函数， 为生成器的损失函数， 为软铰链损失函数，α、β和γ三个参数用来调节每项损失的重要程度。

5.根据权利要求4所述的一种基于GAN的神经网络水印生成系统，其特征在于，所述神经网络模型采用图像质量评价函数SSIM计算所述相似度，当相似度大于等于设定相似度阈值，则确定触发样本水印集与原始数据集之间的相似度满足要求。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1 3任意一项权利要求所述方法的步~

骤。