公开(公告)号：CN112488238B

公开(公告)日：2022-11-15

申请号：CN202011469743.5

申请日：2020-12-14

Applicant: 桂林电子科技大学

Inventor： 刘文芬 ,  贾浩阳 ,  黄月华 ,  韦永壮

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明公开了一种基于对抗自编码器的混合异常检测方法，首先，对对抗自编码器模型进行改进，并利用改进后的所述对抗自编码器模型提取加噪输入数据特征；接着，对提取的两种特征进行加权融合处理；然后，将融合得到的融合特征向量作为训练数据，利用集成学习的方式集成训练ifroest分类器、LOF分类器和K‑means分类器，得到检测分类器；最后，利用改进后的所述对抗自编码器模型提取测试集中的两组特征向量，并将两组所述特征向量融合后输入所述检测分类器，得到异常检测结果。相比于现有的技术，本发明利用对抗自编码器与传统异常检测方法相结合，能够更加准确地对数据集进行异常检测，提高异常检测的准确率。

公开(公告)号：CN113780387A

公开(公告)日：2021-12-10

申请号：CN202111002647.4

申请日：2021-08-30

Applicant: 桂林电子科技大学

Inventor： 刘文芬 ,  贾浩阳 ,  韦永壮

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及电子数字数据处理领域，具体涉及一种基于共享自编码器的时间序列异常检测方法，包括利用D1和D2解码器分别共享两个编码器E1和E2，形成两组编码解码再编码的网络结构；基于自编码器训练方式对两个网络结构进行重构训练；基于对抗训练方式训练两个网络结构；在两个网络结构中输入测试数据，计算数据的异常得分，得到异常检测结果。通过对比最新的异常检测例如DAGMM,OmniAnomaly和USAD方法来进行对比，使用SWaT和WADI等多个数据集进行实验，证明了提出的方法在时间序列的异常检测上较为准确。

公开(公告)号：CN112488238A

公开(公告)日：2021-03-12

申请号：CN202011469743.5

申请日：2020-12-14

Applicant: 桂林电子科技大学

Inventor： 刘文芬 ,  贾浩阳 ,  黄月华 ,  韦永壮

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明公开了一种基于对抗自编码器的混合异常检测方法，首先，对对抗自编码器模型进行改进，并利用改进后的所述对抗自编码器模型提取加噪输入数据特征；接着，对提取的两种特征进行加权融合处理；然后，将融合得到的融合特征向量作为训练数据，利用集成学习的方式集成训练ifroest分类器、LOF分类器和K‑means分类器，得到检测分类器；最后，利用改进后的所述对抗自编码器模型提取测试集中的两组特征向量，并将两组所述特征向量融合后输入所述检测分类器，得到异常检测结果。相比于现有的技术，本发明利用对抗自编码器与传统异常检测方法相结合，能够更加准确地对数据集进行异常检测，提高异常检测的准确率。

公开(公告)号：CN113780387B

公开(公告)日：2024-10-01

申请号：CN202111002647.4

申请日：2021-08-30

Applicant: 桂林电子科技大学

Inventor： 刘文芬 ,  贾浩阳 ,  韦永壮

IPC: G06F18/214 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及电子数字数据处理领域，具体涉及一种基于共享自编码器的时间序列异常检测方法，包括利用D1和D2解码器分别共享两个编码器E1和E2，形成两组编码解码再编码的网络结构；基于自编码器训练方式对两个网络结构进行重构训练；基于对抗训练方式训练两个网络结构；在两个网络结构中输入测试数据，计算数据的异常得分，得到异常检测结果。通过对比最新的异常检测例如DAGMM,OmniAnomaly和USAD方法来进行对比，使用SWaT和WADI等多个数据集进行实验，证明了提出的方法在时间序列的异常检测上较为准确。