-
公开(公告)号：CN119598258A
公开(公告)日：2025-03-11
申请号：CN202411688863.2
申请日：2024-11-25
Applicant: 湖南科技大学
IPC: G06F18/24 , G06F18/21 , G06N3/0499 , G06N3/094 , G06N3/088 , G16Y40/10 , G06F123/02
Abstract: 本发明公开了一种面向边缘设备的无监督工业时序数据快速异常检测方法，所述检测方法包括：首先，用数据相似度来代替工业传感器时序数据作为方法的输入，达到数据隐私保护的目的；其次，为每个时间戳设置一个仅带一个参数的可训练高斯分布来取代传统深度且笨重的神经网络用于建模每个时间戳与其邻居的潜在相似度，确保结构的轻量化；最后，设计一种全局和局部对抗学习策略来放大每个时间戳的全局相似度和局部相似度间的差异，并使用全局和局部相似度差异来判定每个时间戳是否为异常，提升方法的准确性。本发明的面向资源有限边缘设备的工业时序异常快速检测方法，利用轻量化结构来在保障数据隐私的同时，具备高精度、高速度和低资源消耗的特点。
-
公开(公告)号：CN119066571A
公开(公告)日：2024-12-03
申请号：CN202411090702.3
申请日：2024-08-09
Applicant: 湖南科技大学
IPC: G06F18/2433 , G06F18/213 , G06N3/0499 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种面向多变量时间序列的多尺度线性通用表征方法，从“特征提取”、“单尺度表征学习”和“多尺度表征聚合”三个方面构建了一种基于全多层感知机架构的无监督轻量化表征学习模型。具体而言：首先，设计了多尺度选择策略来根据频域特征生成K个代表性周期尺度；然后，设计了可解释的傅立叶特征提取器，以准确地学习时间特征；接着，构建了“1+M”结构的全多层感知机多尺度表征网络，用于捕捉K个尺度的时空特征；最后，设计了线性聚合网络来融合K个尺度上的时空特征，生成多变量时间序列的最终表征。本发明公开的多尺度线性通用表征方法，具有更佳的性能、更好的可解释性和更全面的特征捕捉能力，实现了高速度和高通用性的有效表征学习。
-
公开(公告)号：CN117932469A
公开(公告)日：2024-04-26
申请号：CN202410104744.1
申请日：2024-01-25
Applicant: 湖南科技大学
IPC: G06F18/2415 , G06F18/2321 , G06F18/21 , G06N3/042 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种无元路径监督的渐进式异构网络鲁棒表征学习方法，所述方法构建异构网络鲁棒表示学习模型，采用结构特征学习与语义特征学习两个无监督的独立学习过程消除传统模型对元路径的依赖，同时将随机采样和对抗学习机制融入两个学习过程中消除噪音的影响并提高模型鲁棒性，具体为：1)构造类型级同构表示策略作为粗糙嵌入阶段，使用类型感知采样+类内特征学习+类间特征聚合的方案，以捕获包含结构特征的粗表示向量；2)构建关系级异构表征策略作为精细嵌入阶段，使用一阶语义学习+对抗学习+高阶语义学习的方案，在粗略表示向量基础上生成精细且鲁棒的表示向量；3)模型训练：粗糙嵌入阶段和精细嵌入阶段的训练顺序执行。
-
公开(公告)号：CN119513551A
公开(公告)日：2025-02-25
申请号：CN202411506375.5
申请日：2024-10-28
Applicant: 湖南科技大学
IPC: G06F18/21 , H04L9/40 , H04L41/0631 , H04L41/16 , G06F17/14 , G06F123/02
Abstract: 本发明公开了一种全MLP轻量架构下时频域协同的工业物联网异常检测方法，该方法仅使用四个并行的两层MLP网络构建了具有高时效性和低资源消耗的轻量化全MLP架构，确保能在资源有限的工业场景中灵活应用；该架构从“局部到全局”和“全局到局部”两个角度构建了一个双分支重构学习过程；为了进一步提高准确性，每个分支的重构学习过程利用两个两层MLP网络来分别在时域和频域中进行重构学习，并利用重构一致性来对齐时域和频域，从而提升了全MLP架构的特征捕获能力；最后，设计了一种基于时频重构误差的异常评分方案，利用不同权重来融合双分支重构学习中得到的时频域重构误差，从而为每个时间戳生成一个最终异常得分，进而判断其是否为异常。
-
-
-
Search Results
4
records
(took 0.024 seconds)
