公开(公告)号：CN112257917A

公开(公告)日：2021-01-22

申请号：CN202011116876.4

申请日：2020-10-19

Applicant: 北京工商大学

Inventor： 苏维均 ,  牛雨晴 ,  于重重 ,  赵霞 ,  韩璐

IPC: G06Q10/04 ,  G06Q50/02 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于熵特征和神经网络的时间序列异常模式检测方法，该方法的步骤为：1)对训练数据集中的时间序列提取二阶差分率样本熵特征序列；2)训练生成对抗网络模型得到生成器和对应的判别器；3)计算特征序列的异常分数并构建阈值；4)根据阈值对输入的待检测数据进行异常判断。本发明的优点是利用差分率样本熵对时间序列数据进行特征提取，使异常模式更加显著；建立了新的异常分数计算方法，提高了模型识别的准确性和泛化性，使其具有更高的实用性和应用价值。

公开(公告)号：CN112257917B

公开(公告)日：2023-05-12

申请号：CN202011116876.4

申请日：2020-10-19

Applicant: 北京工商大学

Inventor： 苏维均 ,  牛雨晴 ,  于重重 ,  赵霞 ,  韩璐

IPC: G06Q10/04 ,  G06Q50/02 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0475 ,  G06N3/049 ,  G06N3/08

Abstract: 本发明提出一种基于熵特征和神经网络的时间序列异常模式检测方法，该方法的步骤为：1)对训练数据集中的时间序列提取二阶差分率样本熵特征序列；2)训练生成对抗网络模型得到生成器和对应的判别器；3)计算特征序列的异常分数并构建阈值；4)根据阈值对输入的待检测数据进行异常判断。本发明的优点是利用差分率样本熵对时间序列数据进行特征提取，使异常模式更加显著；建立了新的异常分数计算方法，提高了模型识别的准确性和泛化性，使其具有更高的实用性和应用价值。