公开(公告)号：CN115879505A

公开(公告)日：2023-03-31

申请号：CN202211428341.X

申请日：2022-11-15

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  苗德华 ,  李梦涵

IPC: G06N3/0455 ,  G06N3/047 ,  G06N3/088

Abstract: 本发明提出了一种自适应相关感知无监督深度学习异常检测方法，属于信息物理系统(CPS)领域，如智能生活、工业控制和数字医疗保健。同时，在CPS的背景下考虑了互联网和物联网中存在的各种安全问题。其中，基于无监督深度学习的异常检测模型通过潜在特征学习在许多CPS领域取得了良好的效果。然而，数据之间的相关性并没有引起足够的重视，挖掘它们之间的隐含关系，缺乏自适应训练，这对于在更复杂的数据环境中CPS的安全至关重要。因此，本文提出了一种自适应相关感知的无监督深度学习用于CPS异常检测。构造有向图结构来表示数据之间的隐式相关性，并采用动态图自适应更新设计提取特征和重构特征，估计概率分布和异常能量，完成异常检测。

公开(公告)号：CN114970825A

公开(公告)日：2022-08-30

申请号：CN202210623693.4

申请日：2022-06-03

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  李梦涵

IPC: G06N3/04 ,  G06N3/08 ,  G08G1/01

Abstract: 本发明提出一种基于时空融合图神经网络的交通流量预测方法，属于交通流时空数据预测领域。针对现有框架使用单独的模块来处理时空相关性以及只使用独立的组件来捕获局部或全局异构依赖关系，提出一种基于时空融合图神经网络的交通流量预测方法。本发明创新性地使用一种数据驱动的“时间图”生成方法，以补偿空间图可能无法反映的几种现有相关性，通过对不同时间段并行处理的各种时空图进行新的融合操作，可以有效地学习隐藏的时空依赖关系。同时，将该融合图模块和一个新的门卷积模块集成到一个统一的层中，可以学习更多的时空相关性来处理长序列。将所提的网络模型应用于交通流量预测，能达到提升准确率的目的，实验结果验证了所提方法的有效性。

公开(公告)号：CN115641387A

公开(公告)日：2023-01-24

申请号：CN202211434110.X

申请日：2022-11-16

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  李梦涵 ,  苗德华

IPC: G06T9/00 ,  G06V10/80 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提出一种掩码图自编码器异常检测方法，属于自监督图异常检测领域。针对现有自监督图自动编码器存在的问题，提出一种掩码图自编码器异常检测方法，提高了目前模型的有效性。本发明创新性地使用一个新的掩码图自编码器模型，将掩码自编码器思想迁移到了图上，通过一个简单的掩码图自编码器从重建目标，学习，损失函数和模型结构的角度解决了一般图自编码器面临的常见问题，同时设计了以缩放余弦误差为重建准则的掩码特征重建策略，这种缩放技术也可以看作是一种自适应的样本重称重，每个样本的权重随重建误差而调整。将所提的网络模型应用于图的异常检测领域，能达到提升准确率的目的。