[發(fā)明專(zhuān)利]一種基于BQP網(wǎng)絡(luò)的異常檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910188286.3
• 申請(qǐng)日: 2019-03-13
• 公開(kāi)（公告）號(hào): CN109962915B
• 公開(kāi)（公告）日: 2021-09-28
• 發(fā)明（設(shè)計(jì)）人: 郭春生;林翰聞;章堅(jiān)武;陳華華
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州電子科技大學(xué)
• 主分類(lèi)號(hào): H04L29/06
• 分類(lèi)號(hào): H04L29/06
• 代理公司: 浙江千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良;王日精

本發(fā)明屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于BQP網(wǎng)絡(luò)的異常檢測(cè)方法，包括以下步驟：S1，預(yù)設(shè)異常檢測(cè)圖像訓(xùn)練數(shù)據(jù)集；S2，搭建BQP網(wǎng)絡(luò)，設(shè)定參數(shù)；S3，對(duì)于每一批次送入BQP網(wǎng)絡(luò)的訓(xùn)練批次，利用BQP網(wǎng)絡(luò)中的特征抽取網(wǎng)絡(luò)抽取圖像中的特征，其輸出為批次特征向量X，大小為B×n；S4，在BQP網(wǎng)絡(luò)中的QP輸出層中構(gòu)建特征超球，QP輸出層輸出最優(yōu)對(duì)偶變量；S5，通過(guò)分類(lèi)損失函數(shù)和一致性損失函數(shù)，分別對(duì)特征抽取網(wǎng)絡(luò)輸出的特征向量X和QP輸出層的最優(yōu)對(duì)偶變量計(jì)算損失函數(shù)，并通過(guò)反向傳播算法對(duì)BQP網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化；S6，檢測(cè)時(shí)，使用特征抽取網(wǎng)絡(luò)輸出的特征向量模長(zhǎng)與設(shè)定的閾值進(jìn)行比較，實(shí)現(xiàn)異常檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于BQP網(wǎng)絡(luò)的異常檢測(cè)方法。

背景技術(shù)

隨著近年來(lái)數(shù)據(jù)井噴式增長(zhǎng)，人們對(duì)數(shù)據(jù)的智能化分析需求越來(lái)越高，其中異常檢測(cè)技術(shù)作為機(jī)器學(xué)習(xí)的一個(gè)分支，對(duì)數(shù)據(jù)智能化分析發(fā)揮了重要的作用。例如在海量視頻監(jiān)控?cái)?shù)據(jù)中，通過(guò)計(jì)算機(jī)異常檢測(cè)技術(shù)，能夠較為準(zhǔn)確地定位異常事件發(fā)生的時(shí)間段，極大地降低了人工成本。

異常檢測(cè)是對(duì)定義明確或識(shí)別為的正常樣本以外的樣本進(jìn)行確定，屬于一種特殊的檢測(cè)問(wèn)題。異常檢測(cè)涉及機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、數(shù)理統(tǒng)計(jì)、信息理論和其他相關(guān)知識(shí)，廣泛應(yīng)用于入侵檢測(cè)(如入侵檢測(cè)網(wǎng)絡(luò)入侵檢測(cè)和安全區(qū)域，等等)，欺詐檢測(cè)(如信用卡欺詐檢測(cè)，保險(xiǎn)欺詐檢測(cè)和電話(huà)欺詐檢測(cè)，等等)，醫(yī)療和公共衛(wèi)生異常檢測(cè)，網(wǎng)絡(luò)民意異常檢測(cè)，工業(yè)故障檢測(cè)(如機(jī)械故障檢測(cè)、結(jié)構(gòu)缺陷檢測(cè))等。

異常檢測(cè)的復(fù)雜性和難度在于以下幾個(gè)方面：首先，有別于傳統(tǒng)的分類(lèi)問(wèn)題，異常檢測(cè)問(wèn)題中，正常事件的樣本數(shù)量遠(yuǎn)遠(yuǎn)多于異常事件的樣本數(shù)量，正常和異常訓(xùn)練數(shù)據(jù)之間的數(shù)量嚴(yán)重不平衡。其次，一個(gè)訓(xùn)練集中異常樣本的數(shù)量是有限的，但它可能包含多種類(lèi)型，同時(shí)這個(gè)訓(xùn)練集中的異常樣本仍然無(wú)法詳盡包含所有的異常情況，因此很難找到一個(gè)合適的模型來(lái)描述具有上述特點(diǎn)的數(shù)據(jù)。而且，由于數(shù)據(jù)本身的噪聲或系統(tǒng)引入的噪聲，往往造成噪聲和異常難以識(shí)別，這又給異常檢測(cè)問(wèn)題帶來(lái)了許多不確定性。

發(fā)明內(nèi)容

基于現(xiàn)有技術(shù)中存在的上述不足，本發(fā)明提供一種基于BQP網(wǎng)絡(luò)的異常檢測(cè)方法。

為了達(dá)到上述發(fā)明目的，本發(fā)明采用以下技術(shù)方案：

一種基于BQP網(wǎng)絡(luò)的異常檢測(cè)方法，包括以下步驟：

S1，預(yù)設(shè)異常檢測(cè)圖像訓(xùn)練數(shù)據(jù)集；

S2，搭建BQP網(wǎng)絡(luò)，設(shè)定參數(shù)：網(wǎng)絡(luò)輸入圖像尺寸C×H×W，批次大小B，特征向量維數(shù)n，懲罰因子c，數(shù)值修正因子ε；

S3，對(duì)于每一批次送入BQP網(wǎng)絡(luò)的訓(xùn)練批次，其包含圖像樣本和標(biāo)簽，表述為I＝(I₁,y₁；I₂,y₂；...；I_B,y_B)，其中，I_j為該批次中第j個(gè)樣本，y_j表示第j個(gè)樣本的標(biāo)簽，j＝1，2，…B；利用BQP網(wǎng)絡(luò)中的特征抽取網(wǎng)絡(luò)抽取圖像中的特征，其輸出為批次特征向量X，大小為B×n；

S4，抽取的批次特征向量X，在BQP網(wǎng)絡(luò)中的QP輸出層中構(gòu)建空間特征超球，QP輸出層輸出最優(yōu)對(duì)偶變量a^*；

S5，通過(guò)分類(lèi)損失函數(shù)和一致性損失函數(shù)，分別對(duì)BQP網(wǎng)絡(luò)中的特征抽取網(wǎng)絡(luò)輸出的特征向量X和QP輸出層的最優(yōu)對(duì)偶變量a^*計(jì)算損失函數(shù)，并通過(guò)反向傳播算法對(duì)BQP網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，即多目標(biāo)優(yōu)化；

S6，檢測(cè)時(shí)，使用特征抽取網(wǎng)絡(luò)輸出的每個(gè)樣本特征向量的模長(zhǎng)||x_i||₂與設(shè)定的閾值R_Threshold進(jìn)行比較，實(shí)現(xiàn)異常檢測(cè)。

作為優(yōu)選方案，所述步驟S1具體為：