公开(公告)号：CN116595377A

公开(公告)日：2023-08-15

申请号：CN202310622647.7

申请日：2023-05-30

Applicant: 杭州电子科技大学

Inventor： 樊谨 ,  王则昊 ,  陈琪凯 ,  张心怡 ,  杨海龙

IPC: G06F18/214 ,  G06F18/213 ,  G06F17/15 ,  G06F17/14

Abstract: 本发明涉及时间序列异常检测领域，且公开了一种基于时域频域对抗学习的多元时序异常检测方法，包括以下步骤：步骤一：数据预处理；步骤二：选取训练数据输入到ATF‑UAD中；步骤三：得到时域重构序列；步骤四：得到频域重构序列；步骤五：得到加权重构序列；步骤六：完成模型训练；步骤七：将验证数据集输入到ATF‑UAD中；步骤八：重复步骤二至步骤七，直至模型结束训练；步骤九：将测试数据集输入到ATF‑UAD中；步骤十：重复步骤一至步骤九，完成ATF‑UAD在数据集上的异常检测获得最终得分。本发明采用上述基于时域频域对抗学习的多元时序异常检测方法，利用ATF‑UAD通过双视图对抗学习机制处理两个重建器的重建序列，最小化误差重建值并最大化任何残差异常值。

公开(公告)号：CN119739971A

公开(公告)日：2025-04-01

申请号：CN202411853427.6

申请日：2024-12-16

Applicant: 杭州电子科技大学

Inventor： 杨海龙 ,  樊谨 ,  黄良康 ,  王佳琪 ,  孙丹枫

IPC: G06F18/10 ,  G06F18/2132 ,  G06F18/27 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/08

Abstract: 本发明公开了一种基于双重重建的多元时间序列异常检测方法，涉及数据处理与分析技术领域；S1、对输入的时间序列数据样本进行预处理；S2、将S1中预处理后的时间序列数据转换为滑动窗口序列样本；S3、将S2的滑动窗口序列样本通过GAN模型与S1中时间序列数据样本进行判别操作；S4、在S3的GAN模型框架基础上应用EM距离最小化生成器和最大化判别器的损失函数；S5、构建判别网络的损失函数；S6、计算误差并结合S4和S5得到GAN模型的损失函数L1；S7、进行二次重建得到损失函数L2；S8、通过S6和S7的损失函数计算异常分数阈值；S9、根据S8的结果对异常分数区分标记；本发明采用上述基于双重重建的多元时间序列异常检测方法，可以提高异常检测的性能和可靠性。