[發明專利]一種面向多種類數據的異常檢測方法及裝置

有效

• 申請號: 202110181592.1
• 申請日: 2021-02-09
• 公開（公告）號: CN113052203B
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 廖清;曾子輝;柴合言;蘇偉俊;劉洋;蔣琳;王軒
• 申請（專利權）人: 哈爾濱工業大學（深圳）（哈爾濱工業大學深圳科技創新研究院）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;顏希文

1.一種面向多種類數據的異常檢測方法，其特征在于，包括：

訓練對抗學習網絡，得到更新的對抗學習網絡，具體包括：

將正常訓練樣本的特征向量和模式向量輸入所述對抗學習網絡，利用判別器與生成器進行對抗學習，更新所述生成器和所述判別器，使所述生成器擬合所述正常訓練樣本的分布；

將經過插值處理的所述特征向量和所述模式向量輸入所述對抗學習網絡，利用編碼器與所述生成器進行對抗學習，更新所述生成器和所述編碼器，使所述生成器學習所述正常訓練樣本的潛在模式；

所述將經過插值處理的所述特征向量和所述模式向量輸入所述對抗學習網絡，利用編碼器與所述生成器進行對抗學習，更新所述生成器和所述編碼器，使所述生成器學習所述正常訓練樣本的潛在模式，具體包括：分別對所述特征向量和所述模式向量進行插值處理，得到插值特征向量和插值模式向量；將所述插值特征向量和所述插值模式向量輸入所述生成器，使所述生成器根據所述插值模式向量和所述插值特征向量生成第二圖像和第三圖像，并分別根據所述第二圖像和所述第三圖像計算當前的網絡損失；將所述正常訓練樣本輸入所述編碼器，使所述編碼器將提取的重構特征向量和重構模式向量反向輸入所述生成器，并計算當前的重構誤差；結合所述當前的網絡損失和所述當前的重構誤差更新所述生成器和所述編碼器，使所述生成器學習所述正常訓練樣本的潛在模式；

重復上述操作迭代訓練所述對抗學習網絡直至當前迭代次數達到最大迭代次數，得到所述更新的對抗學習網絡；其中，所述對抗學習網絡包括所述生成器、所述判別器、所述編碼器；

根據訓練過程中產生的重構誤差構造所述更新的對抗學習網絡中的異常評價函數，并將所述更新的對抗學習網絡構建為異常檢測模型；其中，所述異常評價函數用于將數據分為正常數據、遠離正常分布的異常數據、靠近正常分布的異常數據；

通過所述異常檢測模型對輸入的檢測數據進行異常檢測，得到異常檢測結果。

2.如權利要求1所述的面向多種類數據的異常檢測方法，其特征在于，在所述將正常訓練樣本的特征向量和模式向量輸入所述對抗學習網絡，利用判別器與生成器進行對抗學習，更新所述生成器和所述判別器，使所述生成器擬合所述正常訓練樣本的分布之前，還包括：

從所述正常訓練樣本的特征向量集合中采集所述特征向量，并從所述正常訓練樣本的模式向量集合中采集與所述特征向量對應的所述模式向量。

3.如權利要求1所述的面向多種類數據的異常檢測方法，其特征在于，所述將正常訓練樣本的特征向量和模式向量輸入所述對抗學習網絡，利用判別器與生成器進行對抗學習，更新所述生成器和所述判別器，使所述生成器擬合所述正常訓練樣本的分布，具體包括：

將所述特征向量和所述模式向量輸入所述生成器，使所述生成器根據所述特征向量和所述模式向量生成第一圖像；

將所述第一圖像輸入所述判別器，獲取所述判別器對所述第一圖像的異常評價；

根據所述異常評價更新所述生成器，使所述生成器擬合所述正常訓練樣本的分布；

將所述正常訓練樣本輸入所述判別器，結合所述異常評價更新所述判別器。

4.如權利要求1所述的面向多種類數據的異常檢測方法，其特征在于，所述根據訓練過程中產生的重構誤差構造所述更新的對抗學習網絡中的異常評價函數，并將所述更新的對抗學習網絡構建為異常檢測模型，具體包括：

統計訓練過程中產生的重構誤差，將所述重構誤差轉換為最大似然概率；

根據所述最大似然概率構造所述更新的對抗學習網絡的異常評價函數；

在構造所述異常評價函數后，將所述更新的對抗學習網絡構建為所述異常檢測模型。