公开(公告)号：CN112132761A

公开(公告)日：2020-12-25

申请号：CN202010972204.7

申请日：2020-09-16

Applicant: 厦门大学

Inventor： 王菡子 ,  王晨 ,  陈润青 ,  严严

IPC: G06T5/00

Abstract: 一种基于循环上下文聚合网络的单图像去雾方法，涉及计算机视觉技术。步骤：A.准备训练样本集(xi，yi)，i＝1，……，N，N为训练样本数，N为自然数。xi表示训练样本对应的固定大小的图像。yi表示训练样本xi对应的真实图像；B.预处理训练样本集；C.设计循环上下文聚合网络结构；D.设计上下文聚合块；E.在循环上下文聚合网络里，采用循环跳跃连接，避免训练中出现梯度爆炸或者梯度消失问题，加速循环网络的训练。建立深度网络框架，包括编码模块、循环模块、解码模块；可有效进行单图像去雾，通过算法分析，不仅大大提高了去雾的性能，而且还保存着图像的纹理和细节，在视觉上也取得最好的效果。

公开(公告)号：CN112132761B

公开(公告)日：2023-07-14

申请号：CN202010972204.7

申请日：2020-09-16

Applicant: 厦门大学

Inventor： 王菡子 ,  王晨 ,  陈润青 ,  严严

IPC: G06T5/00

Abstract: 一种基于循环上下文聚合网络的单图像去雾方法，涉及计算机视觉技术。步骤：A.准备训练样本集(xi，yi)，i＝1，……，N，N为训练样本数，N为自然数。xi表示训练样本对应的固定大小的图像。yi表示训练样本xi对应的真实图像；B.预处理训练样本集；C.设计循环上下文聚合网络结构；D.设计上下文聚合块；E.在循环上下文聚合网络里，采用循环跳跃连接，避免训练中出现梯度爆炸或者梯度消失问题，加速循环网络的训练。建立深度网络框架，包括编码模块、循环模块、解码模块；可有效进行单图像去雾，通过算法分析，不仅大大提高了去雾的性能，而且还保存着图像的纹理和细节，在视觉上也取得最好的效果。

公开(公告)号：CN111913849A

公开(公告)日：2020-11-10

申请号：CN202010746722.7

申请日：2020-07-29

Applicant: 厦门大学

Inventor： 赵万磊 ,  陈润青 ,  王菡子

IPC: G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法，涉及计算机系统异常检测技术和趋势预测技术。1)模型设计：变分自编码器作为异常检测模块，为模型的前半部分；长短时记忆网络作为趋势预测模块，为模型的后半部分；2)原始运维时序数据经历数据补全，归一化处理，以及采用滑动窗口将数据分割成固定长度的时序段输入到模型；3)采用变分自编码器重构输入的时序段，从而分离出异常点，达到异常检测的目的；4)将自编码器重构的时序段输入到趋势预测模块，预测下一时刻的状态值。减少时间序列中原有的异常和噪声对长短时记忆网络的影响，提高长短时记忆网络的鲁棒性；提高性能的同时又减少性能在不同数据之间的波动。

公开(公告)号：CN111913849B

公开(公告)日：2022-02-11

申请号：CN202010746722.7

申请日：2020-07-29

Applicant: 厦门大学

Inventor： 赵万磊 ,  陈润青 ,  王菡子

IPC: G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法，涉及计算机系统异常检测技术和趋势预测技术。1)模型设计：变分自编码器作为异常检测模块，为模型的前半部分；长短时记忆网络作为趋势预测模块，为模型的后半部分；2)原始运维时序数据经历数据补全，归一化处理，以及采用滑动窗口将数据分割成固定长度的时序段输入到模型；3)采用变分自编码器重构输入的时序段，从而分离出异常点，达到异常检测的目的；4)将自编码器重构的时序段输入到趋势预测模块，预测下一时刻的状态值。减少时间序列中原有的异常和噪声对长短时记忆网络的影响，提高长短时记忆网络的鲁棒性；提高性能的同时又减少性能在不同数据之间的波动。

公开(公告)号：CN113553232A

公开(公告)日：2021-10-26

申请号：CN202110783748.3

申请日：2021-07-12

Applicant: 厦门大学

Inventor： 赵万磊 ,  兰诗莹 ,  陈润青 ,  雷蕴奇

IPC: G06F11/30 ,  G06F11/34 ,  G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种通过在线矩阵画像对运维数据进行无监督异常检测方法，其首先采用窗口大小为m的滑动窗口将时间序列X分为多个子序列Xi，m；然后基于多个子序列Xi，m构建在线矩阵画像P＝{p1，…，pt，…，pn‑m+1}；最后通过在线矩阵画像算法计算出最近邻子序列，并利用最近邻子序列计算出xt的距离显著性rt，若距离显著性rt大于预定义阈值τ，则被认为是异常，否则被认为是正常。本发明能够进行无监督单变量时间序列异常检测任务，不需要进行任何模型地训练且能高效准确地找出异常。

公开(公告)号：CN113553232B

公开(公告)日：2023-12-05

申请号：CN202110783748.3

申请日：2021-07-12

Applicant: 厦门大学

Inventor： 赵万磊 ,  兰诗莹 ,  陈润青 ,  雷蕴奇

IPC: G06F11/07 ,  G06F11/30 ,  G06F11/34 ,  G06F18/2433 ,  G06F18/22 ,  G06F18/15 ,  G06F123/02

Abstract: 本发明公开了一种通过在线矩阵画像对运维数据进行无监督异常检测方法，其首先采用窗口大小为m的滑动窗口将时间序列X分为多个子序列Xi，m；然后基于多个子序列Xi，m构建在线矩阵画像P＝{p1，…，pt，…，pn‑m+1}；最后通过在线矩阵画像算法计算出最近邻子序列，并利用最近邻子序列计算出xt的距离显著性rt，若距离显著性rt大于预定义阈值τ，则被认为是异常，否则被认为是正常。本发明能够进行无监督单变量时间序列异常检测任务，不需要进行任何模型地训练且能高效准确地找出异常。