公开(公告)号：CN117036786A

公开(公告)日：2023-11-10

申请号：CN202310904905.0

申请日：2023-07-21

Applicant: 西北大学

Inventor： 侯爱琴 ,  汝乐 ,  王瑜琨 ,  屈新纪 ,  陈竹莲

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种融合AVAE和SE模块的图像异常检测方法：步骤1，获取需进行异常检测的图像数据，并对其进行预处理，将预处理后的数据划分训练集及测试集；步骤2，采用训练集对图像异常检测模型进行训练，得到训练好的图像异常检测模型；所述图像异常检测模型包括基于注意力机制的变分自编码器、SE模块和判别器，判别器连接到基于注意力机制的变分自编码器的输出端，基于注意力机制的变分自编码器包括编码器和解码器，SE模块连接在编码器和解码器之间；步骤3，将待检测的图像预处理后导入训练好的图像异常检测模型中得到异常分数。本发明的方法对实际工业环境下图像数据进行异常检测很有效。

公开(公告)号：CN117993431A

公开(公告)日：2024-05-07

申请号：CN202410208777.0

申请日：2024-02-26

Applicant: 西北大学

Inventor： 侯爱琴 ,  王瑜琨 ,  汝乐 ,  陈竹莲 ,  屈新纪

IPC: G06N3/0455 ,  G06F18/213 ,  G06N3/048 ,  G06N3/09 ,  G06F123/02

Abstract: 本申请涉及一种基于时序二维变化和残差编码器的多元时间序列预测方法，包括构建多元时间序列预测模型，对多元时间序列预测模型进行训练，得到训练后的多元时间序列预测模型，将多元时间序列输入到训练后的多元时间序列预测模型，得到目标预测窗口长度的预测结果。本申请将一维结构时间序列转化为二维结构，能够有效地捕捉时间序列数据中的时序关系和时间依赖性；通过投影关联单元，将数据投影到指定维度，降低模型计算复杂度，并通过逐行全连接层，使模型学习到不同时间序列之间的关系；通过定义的行列残差块能够加快网络的训练和收敛，使模型学习到不同时间序列之间的关系，同时还能够减少过拟合的风险。

公开(公告)号：CN117033933A

公开(公告)日：2023-11-10

申请号：CN202310963097.5

申请日：2023-08-02

Applicant: 西北大学

Inventor： 屈新纪 ,  侯爱琴 ,  尹小燕 ,  陈竹莲 ,  王瑜琨 ,  汝乐

IPC: G06F18/20 ,  G06F18/214 ,  G06F17/14 ,  G06N3/0464 ,  G06N3/08

Abstract: 本申请提供一种基于快速傅里叶变换和掩码卷积的时序数据异常检测方法，通过将一维时序数据转化到二维空间，进而利用掩码卷积和通道注意力机制提取特征，该方法能够提供更全面、准确的异常检测。与传统方法相比，该方法能够更好地捕捉时序数据中的复杂异常模式，并具备更高的鲁棒性和准确性，能够为各个领域中的数据分析、故障诊断、异常检测等应用提供更可靠、高效的解决方案。

公开(公告)号：CN116842467A

公开(公告)日：2023-10-03

申请号：CN202310760296.6

申请日：2023-06-26

Applicant: 西北大学

Inventor： 侯爱琴 ,  陈竹莲 ,  屈新纪 ,  王瑜琨 ,  汝乐

IPC: G06F18/2431 ,  G06F18/214 ,  G06F18/21 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045 ,  H04L9/40

Abstract: 本发明公开了一种基于双向门控卷积神经网络的网络流量异常检测分类方法：步骤1，对CIC‑IDS2017数据集进行数据预处理；步骤2，构建基于双向门控卷积神经网络的网络流量异常检测模型；步骤3，通过CrossEntropyLoss损失函数进行监督训练，得到训练好的基于双向门控卷积神经网络的网络流量异常检测模型。步骤4，将待检测网络流量数据进行预处理后输入步骤3得到的训练好的基于双向门控卷积神经网络的网络流量异常检测模型，输出异常检测结果。本发明的分类方法在多分类任务中优于其他现有模型，检测精度高，分类准确率具有一定的提升，本发明得到更具有代表性的特征信息进行分类判决，实现高性能的网络流量异常检测。