[發明專利]訓練神經網絡的方法、行為檢測方法及行為檢測裝置

在審

• 申請號: 202110016879.9
• 申請日: 2021-01-07
• 公開（公告）號: CN112733995A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 鄧美林;楊洋;馮城城;傅媛媛
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 李春偉

1.一種用于訓練神經網絡的方法，所述神經網絡包括：

輸入層，用于將資源轉移訓練數據傳輸給隱含層；

隱含層，用于將所述資源轉移訓練數據從低維空間映射到高維空間的至少一個指定維度上，得到針對所述至少一個指定維度的輸出結果；以及

輸出層，用于輸出所述針對所述至少一個指定維度的輸出結果，以便基于所述針對所述至少一個指定維度的輸出結果確定用戶資源轉移行為畫像和資源轉移異常檢測模型；

所述方法包括：

利用所述神經網絡處理所述資源轉移訓練數據；以及

基于梯度下降法至少調整所述隱含層的網絡參數取值，使得所述神經網絡的聚類中心趨近于通過聚類算法得到的聚類中心，得到第一網絡參數取值。

2.根據權利要求1所述的方法，其中，所述基于梯度下降法至少調整所述隱含層的網絡參數取值，使得所述神經網絡的聚類中心趨近于通過聚類算法得到的聚類中心，得到第一網絡參數取值包括：

通過梯度下降使得所述隱含層的網絡參數取值沿著目標函數的梯度下降方向進行校正，以最小化誤差函數，得到初始網絡參數取值；以及

基于聚類算法優化所述初始網絡參數取值，得到所述第一網絡參數取值。

3.根據權利要求2所述的方法，其中，所述基于聚類算法優化所述初始網絡參數取值，得到所述第一網絡參數取值包括：

初始化蟻群的位置和信息素，其中，所述蟻群的位置表征網絡的聚類中心；

重復以下操作直至迭代次數達到迭代要求或聚類結果滿足精度要求：

利用鄰近傳播聚類算法計算針對所述聚類中心的蟻群相似度矩陣、歸置度矩陣和吸引度矩陣；

根據所述相似度矩陣確定偏置參數，并且更新所述吸引度矩陣；

根據所述吸引度矩陣更新所述歸置度矩陣，得到聚類結果；以及

以所述蟻群的位置作為監督信息，訓練所述神經網絡，以更新所述初始網絡參數取值，得到所述第一網絡參數取值。

4.根據權利要求3所述的方法，還包括：

在尋找蟻群最優解的過程中引入高斯變異因子，以提升所述網絡收斂的速度。

5.根據權利要求4所述的方法，其中，所述在尋找蟻群最優解的過程中引入高斯變異因子，以提升所述網絡收斂的速度包括：

在尋找蟻群最優解的過程中引入高斯變異因子，以得到蟻群個體信息素濃度、變異概率、最大信息素和平均信息素；

采用蟻群個體信息素的正態分布均值和加權極值，將最小信息素值作為高斯加權中心值，計算所述蟻群的高斯加權全局最優因子，其中，所述信息素濃度的均值和方差作為高斯變異加權的對應值；以及

將至少部分螞蟻個體信息素最優和對高斯加權全局最優因子進行加權平均得出的值，作為所述蟻群的全局最優信息素解。

6.根據權利要求1所述的方法，還包括：在所述得到第一網絡參數取值之后，

利用所述神經網絡處理所述資源轉移測試數據訓練，以微調所述第一網絡參數取值，得到第二網絡參數。

7.根據權利要求6所述的方法，其中，所述利用所述神經網絡處理所述資源轉移測試數據訓練，以微調網絡參數取值包括：

重復以下操作直至達到蟻群的迭代結束條件：

確定與所述資源轉移訓練數據對應的信息素最優解、適應值對應的蟻群狀態；以及

基于所述資源轉移測試數據計算高斯加權得出蟻群全局最優信息素和路徑解，并且根據個體信息素更新迭代蟻群狀態的信息素濃度和蟻群位置，以便將更新后的蟻群位置作為模型訓練的監督信息。

8.根據權利要求1所述的方法，還包括：

對所述資源轉移訓練數據進行規范化處理得到規范化的資源轉移訓練數據；以及

所述輸入層具體用于將規范化的資源轉移訓練數據傳輸給隱含層。