1.一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，包括以下步骤：

步骤1，确定灰度图像数据集D，所述灰度图像数据集D包括m个灰度图像数据和m个灰度图像数据对应的分类标签；然后基于层级相关性传播计算得到灰度图像数据集D的相关性矩阵R；

步骤2，基于差分隐私以及根据灰度图像数据集D的相关性矩阵R，得到灰度图像数据集D的噪声平均相关性矩阵步骤3，将灰度图像数据集D划分为训练集D1与测试集D2，训练集D1包括 个灰度图像数据，测试集D2包括 个灰度图像数据，设定卷积神经网络包括num_conv个卷积层和num_FC个全连接层，使用θ表示卷积神经Conv FC Conv FC网络全部参数，θ＝{θ ,θ }，θ 表示卷积神经网络num_conv个卷积层的参数，θ 表示卷积神经网络num_FC个全连接层的参数；

初始化：令loop表示第loop次迭代，loop的初始值设为1，loop的最大值为预设值max_loop；对于第loop次迭代，1≤loop≤max_loop；

步骤4，从训练集D1中确定第loop次迭代后的灰度图像数据集Dloop，进而得到第loop次迭代后的扰动批量数据步骤5，根据第loop次迭代后的扰动批量数据 计算得到第loop次迭代后的交叉熵损失函数Lossloop，进而得到第loop次迭代后的扰动损失函数步骤6，根据第loop次迭代后的扰动损失函数 计算得到第loop次迭代后一阶矩偏差修正结果 和第loop次迭代后二阶矩偏差修正结果步骤7，如果loop

直到得到第max_loop次迭代后的卷积神经网络全部参数θmax_loop，此时迭代停止，并将迭代停止时得到的第max_loop次迭代后的卷积神经网络全部参数θmax_loop，作为卷积神经网络最优参数 表示卷积神经网络num_conv个卷积层的最优参数，表示卷积神经网络num_FC个全连接层的最优参数；

将卷积神经网络num_conv个卷积层的最优参数 和卷积神经网络num_FC个全连接层的最优参数 作为一种基于差分隐私和层级相关性传播的图像分类结果。

2.如权利要求1所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，在步骤1中，所述m个灰度图像数据，每个灰度图像数据都为n×n维矩阵，且n×n维矩阵中每个元素分别代表一个输入特征；

将所述m个灰度图像数据对应的分类标签，记分类标签数量为C；

所述灰度图像数据集D的相关性矩阵R，其得到过程为：

(1a)设置神经网络共有L层，分别用0,1,2,...,l,l+1,...,L-1表示，神经网络第0层表示输入层，第L-1层表示输出层，中间第1层至第L-2层都是隐藏层；神经网络第0层神经元总个数为|n×n|，第L-1层神经元总个数为C；

(1b)计算神经网络第l'+1层第j个神经元的输入

其中，j＝1,2,…,|l'+1|，i＝1,2,…,|l'|，|l'|表示神经网络第l'层神经元总个数，|l'+1|表示神经网络第l'+1层神经元总个数，l'＝0,1,2,…,L-2， 表示神经网络第l'层第i个神经元的输出，若l'＝0，则 表示神经网络第0层第i个神经元的输出； 表示神经网络第l'层第i个神经元和第l'+1层第j个神经元的连接权重， 表示神经网络第l'+1层第j个神经元的偏置项； f(·)表示激活函数，当l'+1＝L-1时， 表示神经网络第L-1层第j个神经元的输出；

(1c)令j的值分别取1至|l'+1|，重复执行(1b)，进而分别得到神经网络第l'+1层第1个神经元的输入 至神经网络第l'+1层第|l'+1|个神经元的输入 以及神经网络第l'+1层第1个神经元的输出 至神经网络第l'+1层第|l'+1|个神经元的输出 并分别记为神经网络第l'+1层的输入z(l'+1)和神经网络第l'+1层的输出x(l'+1)，然后将j的值初始化为1；

(1d)令l'的值分别取0至L-2，重复执行(1b)和(1c)，进而分别得到神经网络第1层的输入z(1)至神经网络第L-1层的输入z(L-1)，以及神经网络第1层的输出x(1)至神经网络第L-1层的输出x(L-1)，然后将l'的值初始化为0；

从灰度图像数据集D中读取第k个灰度图像数据，并在设置的神经网络上使用传统神经网络中的前向算法计算得到第k个灰度图像数据的C维输出量Outk；k＝1,2,…,m；

(1e)计算神经网络第l”层第i'个神经元上的相关性

其中，l”+1的初始值是L-1，l”的初始值为L-2，l”+1＝L-1,L-2,…,2,1，l”＝L-2,L-

3,…,2,1,0； 表示神经网络第l”层第i'个神经元上的相关性，

i'＝1,2,…,|l”|，|l”|表示神经网络第l”层神经元总个数； 表示神经网络第l”+1层第j”个神经元上的相关性，j”＝1,2,…,|l”+1|，|l”+1|表示神经网络第l”+1层神经元总个数； 表示神经网络第l”+1层第j”个神经元的输入， 表示神经网络第l”层第i'个神经元和第l”+1层第j”个神经元的连接权重， 表示神经网络第l”层第i'个神经元的输出；

基于层级相关性传播计算得到神经网络第0层的相关性r(0)，

表示神经网络第0层第q个神经元的相关性，q＝1,

2,…,|n×n|，|n×n|表示神经网络第0层神经元总个数；然后将神经网络第0层的相关性r(0)，作为第k个灰度图像数据相关性列向量；

(1f)将第k个灰度图像数据相关性列向量转换为与第k个灰度图像数据同形状的相关性矩阵，记为第k个灰度图像数据的相关性矩阵Pk；

(1g)令k的值分别取1至m，重复子步骤(1b)至(1f)，进而得到第1个灰度图像数据的相关性矩阵P1至第m个灰度图像数据的相关性矩阵Pm，并记为m个灰度图像数据的相关性矩阵P1,P2,P3,...,Pm；

(1h)计算第row行、第col列上的相关性Rrow,col：

其中，row＝1,2,…,n，col＝1,2,…,n，Pk,row,col表示第k个灰度图像数据的相关性矩阵Pk在第row行、第col列上的相关性；

(1i)令col的值分别取1至n，重复执行(1h)，进而分别得到第row行、第1列上的相关性Rrow,1至第row行、第n列上的相关性Rrow,n，记为第row行上的相关性Rrow，然后将col的值初始化为1；

(1j)令row的值分别取1至n，重复执行(1h)和(1i)，进而分别得到第1行上的相关性R1至第n行上的相关性Rn，记为灰度图像数据集D的相关性矩阵R。

3.如权利要求2所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，在步骤2中，所述灰度图像数据集D的噪声平均相关性矩阵 具体为：令 表示灰度图像数据集D的噪声平均相关性矩阵 的第row行、第col列元素，其计算公式为：其中，row＝1,2,…,n，col＝1,2,…,n，Rrow,col表示第row行、第col列上的相关性，lap表示拉普拉斯分布，ε1表示第一隐私预算，第一隐私预算ε1为(0,1)内的随机数，normalize(·)表示归一化处理操作。

4.如权利要求3所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，步骤4的子步骤为：(4a)从训练集D1随机读取batch_size个灰度图像数据，记为第loop次迭代后的灰度图像数据集Dloop，选取第loop次迭代后的灰度图像数据集Dloop中第d幅灰度图像数据，记为Dloop,d，d＝1,

2,…,batch_size；

确定Dloop,d的部分矩形区域范围作为第loop次迭代后第d幅灰度图像数据的待加噪区域Floop,d；

(4b)计算分配到Dloop,d中第row'行、第col'列输入特征的隐私预算εrow',col',loop,d：其中，R_low≤row'≤R_high，C_low≤col'≤C_high； 表示灰度图像数据集D的噪声平均相关性矩阵 的第row'行、第col'列元素； 表示噪声平均相关性矩阵 内行在[R_low,R_high]内、列在[C_low,C_high]内的所有噪声平均相关性相加之和；

(4c)计算待加噪区域Floop,d内第row'行、第col'列的输入特征Iloop,d,row',col'：其中，Iloop,d,row',col'表示待加噪区域Floop,d内第row'行、第col'列的输入特征，lap表示拉普拉斯分布， |D|表示训练集D1的大小，|n×n|表示神经元第0层神经元总个数；

(4d)令col'的值分别取C_low至C_high，重复执行(4c)，直到得到待加噪区域Floop,d内第row'行、第C_low列的扰动输入特征 至待加噪区域Floop,d内第row'行、第C_high列的扰动输入特征 记为待加噪区域Floop,d内第row'行的扰动输入特征然后将col'的值初始化为C_low；

(4e)令row'的值分别取R_low至R_high，重复执行(4c)和(4d)，直到得到待加噪区域Floop,d内第R_low行的扰动输入特征 至待加噪区域Floop,d内第R_high行的扰动输入特征 记为待加噪区域Floop,d内的扰动输入特征 并作为Dloop中第d幅灰度图像数据输入特征加噪处理结果，然后将col'的值初始化为C_low，将row'的值初始化为R_low；

(4f)令d的值分别取1至batch_size，重复执行(4c)至(4e)，直到得到Dloop中第1幅灰度图像数据输入特征加噪处理结果至Dloop中第batch_size幅灰度图像数据输入特征加噪处理结果，记为第loop次迭代后的扰动批量数据

5.如权利要求4所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，所述第loop次迭代后第d幅灰度图像数据的待加噪区域Floop,d，其确定过程为：构造一个长为n且值全为设定阈值thv的行向量，行向量的行标依次为1、2、…、n，计算行标的下限需从Dloop,d中第1行开始比较，依次将Dloop,d的行标加1，直到Dloop,d中的行首次出现行内输入特征超过设定阈值thv，则将该行的行标设定为待加噪区域Floop,d的行下限，记为R_low；计算行标的上限则需要从Dloop,d中第n行开始比较，依次将Dloop,d中的行标减1，直到Dloop,d中首次出现行内输入特征超过设定阈值thv，则将该行的行标设定为待加噪区域Floop,d的行上限，记为R_high；

构造一个长为n且值全为设定阈值thv的列向量，列向量的列标依次为1、2、…、n，计算列标的下限需从Dloop,d中第1列开始比较，依次将Dloop,d的列标加1，直到Dloop,d中的列首次出现列内输入特征超过设定阈值thv，则将该列的列标设定为待加噪区域Floop,d的列下限，记为C_low；计算列标的上限则需要从Dloop,d的第n列开始比较，依次将Dloop,d的列标减1，直到Dloop,d中首次出现列内输入特征超过设定阈值thv，则将该列的列标设定为待加噪区域Floop,d的列上限，记为C_high；

将Dloop,d中行在[R_low,R_high]内、列在[C_low,C_high]内的区域，作为第loop次迭代后第d幅灰度图像数据的待加噪区域Floop,d。

6.如权利要求4所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，在步骤5中，所述第loop次迭代后的交叉熵损失函数Lossloop和所述第loop次迭代后的扰动损失函数 其计算公式分别为：其中，a(sp)表示 中第sp个灰度图像数据对应的分类标签，y(sp)表示 中第sp个灰度图像数据的模型计算分类结果， 表示神经网络第L-1层第q'个神经元的输出，q'＝1,2,…,|L-1|，|L-1|表示神经网络第L-1层神经元总个数，上标T表示转置操作； |D|表示训练集D1的大小，|n×n|表示神经网络第0层神经元总个数；lap表示拉普拉斯分布，ε2表示第二隐私预算，第二隐私预算ε2为(0,1)内的随机数。

7.如权利要求6所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，步骤6中，所述第loop次迭代后一阶矩偏差修正结果 和第loop次迭代后二阶矩偏差修正结果 其得到子步骤为：

6.1计算得到第loop次迭代后的梯度gloop， 表示第loop次迭代

后的扰动损失函数， 表示θloop的梯度，θloop表示第loop次迭代后的卷积神经网络全部参数；以随机化方式为卷积神经网络全部参数分别赋任意实数值，得到卷积神经网络全部参数初始值θ0；

6.2计算得到第loop次迭代后一阶矩估计sloop，sloop＝ρ1sloop-1+(1-ρ1)gloop，sloop-1表示第loop-1次迭代后一阶矩估计，s0＝0；ρ1表示区间[0,1)内的随机数；

6.3计算得到第loop次迭代后二阶矩估计rloop， rloop-1表示第

loop-1次迭代后二阶矩估计，r0＝0；ρ2表示区间[0,1)内的随机数；

6.4计算得到第loop次迭代后一阶矩偏差修正结果

6.5计算得到第loop次迭代后二阶矩偏差修正结果

8.如权利要求7所述的一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，步骤7中，所述loop次迭代后的卷积神经网络全部参数θloop，其计算过程包括：θloop＝θloop-1+△θloop-1

其中， 表示第loop-1次迭代后一阶矩偏差修正结果， 表示第loop-1次迭代后二阶矩偏差修正结果；δ表示设定常数，α表示设定学习步长。