[發明專利]一種基于生成對抗網絡的困難異常樣本檢測框架

在審

• 申請號: 202110285596.4
• 申請日: 2021-03-17
• 公開（公告）號: CN113159947A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 王成;胡騰
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06N3/04
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

1.一種基于生成對抗網絡的困難異常樣本檢測框架，其特征是，包括有以下步驟：

對原始數據進行預處理以轉化進行模型計算；

建立生成對抗網絡，建立有用于生成數據的生成模型、對真實數據和生成數據進行判別的第一判別模型、對生成數據中正常樣本數據與異常樣本數據進行判別的第二判別模型，并進行訓練直至模型收斂；

預訓練一個能學習到生成的數據中異常樣本數據和正常樣本數據分布的基模型，通過學習遷移法使用真實數據對基模型進行微調獲得異常檢測模型；

通過異常檢測模型進行測試集數據預測并進行模型評估，通過異常檢測模型進行真實數據的困難異常樣本的檢測分類。

2.根據權利要求1所述的基于生成對抗網絡的困難異常樣本檢測框架，其特征是，生成對抗網絡的建立具體為：

采用雙層LSTM模型分別建立生成模型、第一判別模型及第二判別模型；

從生成模型生成的數據中抽取M個樣本，并從真實數據中抽取M個樣本，計算下式用隨機梯度提成更新第一判別模型：

并計算下式用隨機梯度下降更新生成模型：

從生成模型生成的數據中抽取M個異常樣本和正常樣本，計算下式用隨機梯度提升更新第二判別模型：

通過計算下式再用隨機梯度下降更新生成模型：

設定收斂閾值，未收斂時增加樣本數量并重復上述步驟再次更新模型，直至模型收斂。

3.根據權利要求2所述的基于生成對抗網絡的困難異常樣本檢測框架，其特征是，異常檢測模型的獲取具體為：

采用雙層LSTM模型作為進行分類的基模型，控制生成模型生成的異常樣本數據和正常樣本數據的比例，通過生成模型生成的數據對基模型進行訓練直至基模型收斂；

基模型包括有特征提取層和softmax層，保持基模型中特征提取層參數不變，保留預訓練中學習的異常樣本數據和正常樣本數據分布知識；將真實數據作為輸入對基模型的softmax層進行重新訓練，以將預訓練學習到的知識遷移到困難異常樣本的檢測模型中，獲得異常檢測模型。

4.根據權利要求3所述的基于生成對抗網絡的困難異常樣本檢測框架，其特征是，異常檢測模型的模型評估具體為：

通過獲得的異常檢測模型對測試集中的正常樣本數據和異常樣本數據進行預測分類，獲得預測分類結果；

對全部樣本的分類預測結果通過設定的指標進行模型評估，包括有

準確率：

召回率：

誤判率：

其中，TP：模型將異常樣本判定為異常的數量；FP：模型將正常樣本判定為異常的數量；FN：模型將異常樣本判定為正常的數量；TN：模型將正常樣本判定為正常的數量。