[發(fā)明專利]一種檢測模型的確定方法、驗證方法和裝置

在審

• 申請?zhí)枺?/td>: 202010984910.3
• 申請日: 2020-09-18
• 公開（公告）號: CN112116002A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設計）人: 沈毅;李慧;潘樹強;王悅;林楓;陳靜;王自力;馬俊麗;張麗巖;李媛媛;霍晨生;董爍昶;彭時濤
• 申請（專利權）人: 北京旋極信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京安信方達知識產(chǎn)權代理有限公司 11262
• 代理人: 吳曉霞;栗若木

1.一種檢測模型的確定方法，其特征在于，包括，

獲取樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括：攜帶有正常標簽的正常樣本數(shù)據(jù)和攜帶有異常標簽的異常樣本數(shù)據(jù)；

根據(jù)從所述樣本數(shù)據(jù)中劃分出的第一樣本數(shù)據(jù)子集初始化并訓練長短時記憶神經(jīng)網(wǎng)絡，確定訓練好的所述長短時記憶神經(jīng)網(wǎng)絡；

根據(jù)所述樣本數(shù)據(jù)確定第一任務集集合，利用所述第一任務集集合采用預定的元學習訓練算法對訓練好的長短時記憶神經(jīng)網(wǎng)絡的模型參數(shù)進行調(diào)整，確定調(diào)整模型參數(shù)后的所述長短時記憶神經(jīng)網(wǎng)絡為所述檢測模型。

2.根據(jù)權利要求1所述的方法，其特征在于，

所述根據(jù)所述樣本數(shù)據(jù)確定第一任務集集合，包括：

將所述樣本數(shù)據(jù)分為正常樣本數(shù)據(jù)集和異常樣本數(shù)據(jù)集；

根據(jù)所述正常樣本數(shù)據(jù)集和所述異常樣本數(shù)據(jù)集構建多組支持集和疑問集；

根據(jù)所述多組支持集和疑問集，確定多個任務集；其中，每一個任務集對應一組支持集和疑問集；

從所述多個任務集中選擇第一預設比例的任務集構成所述第一任務集集合。

3.根據(jù)權利要求2所述的方法，其特征在于，

所述樣本數(shù)據(jù)從l個設備中采集，每一個設備所采集的正常樣本量和異常樣本量相等；

根據(jù)所述正常樣本數(shù)據(jù)集和所述異常樣本數(shù)據(jù)集構建多組支持集和疑問集，包括：

將所述正常樣本數(shù)據(jù)集分為l個正常子集，將所述異常樣本數(shù)據(jù)集分為l個異常子集；每一個正常子集中的樣本數(shù)據(jù)為同一個設備所采集的正常樣本數(shù)據(jù)，每一個異常子集中的樣本數(shù)據(jù)為同一個設備所采集的異常樣本數(shù)據(jù)；

每一組支持集和疑問集分別根據(jù)以下方式構建：

從l個正常子集中選取一個正常子集N_a，從l個異常子集中選取一個異常子集A_m；所述正常子集N_a和異常子集A_m中的樣本數(shù)據(jù)為來自同一個設備所采集的樣本數(shù)據(jù)；

從所述正常子集N_a中抽取M-K個正常樣本數(shù)據(jù)，從所述異常子集A_m中抽取M-K個異常樣本數(shù)據(jù)；

從l個正常子集中選取另一個正常子集N_b，從l個異常子集中選取另一個異常子集A_n；所述正常子集N_b和異常子集A_n中的樣本數(shù)據(jù)同為來自另一個設備所采集的樣本數(shù)據(jù)；

從所述正常子集N_b中抽取K+Q個正常樣本數(shù)據(jù)，從所述異常子集A_n中抽取K+Q個異常樣本數(shù)據(jù)；

根據(jù)所述K+Q個正常樣本數(shù)據(jù)中的Q個正常樣本數(shù)據(jù)和所述K+Q個異常樣本數(shù)據(jù)中的Q個異常樣本數(shù)據(jù)，建立一個疑問集；

根據(jù)所述K+Q個正常樣本數(shù)據(jù)中剩余的K個正常樣本數(shù)據(jù)、所述K+Q個異常樣本數(shù)據(jù)中剩余的K個異常樣本數(shù)據(jù)，和所述M-K個正常樣本數(shù)據(jù)、所述M-K個異常樣本數(shù)據(jù)，建立一個支持集；

所述一個支持集和所述一個疑問集構建一組支持集和疑問集；

其中，l為大于0的整數(shù)，K為大于或等于0的整數(shù)，M為大于K的整數(shù)，Q為大于0的整數(shù)；不同組的支持集和疑問集所選取的正常子集不同，不同組的支持集和疑問集所選取的異常子集不同。

4.根據(jù)權利要求1、2或3所述的方法，其特征在于，

所述根據(jù)所述樣本數(shù)據(jù)中的第一樣本數(shù)據(jù)子集初始化并訓練長短時記憶神經(jīng)網(wǎng)絡，包括：

對所述第一樣本數(shù)據(jù)子集進行分窗時移得到訓練數(shù)據(jù)；

根據(jù)所述訓練數(shù)據(jù)和預設的期望目標向量，初始化所述長短時記憶神經(jīng)網(wǎng)絡；

根據(jù)前向傳播算法確定初始化后的所述長短時記憶神經(jīng)網(wǎng)絡的學習誤差向量；

根據(jù)所述學習誤差向量利用反向傳播算法迭代更所述長短時記憶神經(jīng)網(wǎng)絡的模型參數(shù)進行所述長短時記憶神經(jīng)網(wǎng)絡的訓練，確定所述長短時記憶神經(jīng)網(wǎng)絡訓練后的模型參數(shù)。