本发明专利技术实施例公开了多传感器异常值检测方法、装置、计算机设备及存储介质。所述方法包括：获取多元原始信号；根据多元原始信号利用重构误差训练第一自编码器，并将第一自编码器内的隐层进行VMD分解，以得到分解信号；将所述分解信号采用bagging的方式对数据特征进行采样，以得到特征值；将所述特征值输入第二自编码器并优化第二自编码器中的两个自编码解码器，以确定重构特征的上界估计值以及重构特征的下界估计值；根据所述分解信号、重构特征的上界估计值以及重构特征的下界估计值确定所述特征值对应的样本标签；根据所述特征值对应的样本标签确定异常值。通过实施本发明专利技术实施例的方法可实现满足大规模数据的需求，且检测算法的鲁棒性佳。法的鲁棒性佳。法的鲁棒性佳。
【技术实现步骤摘要】
多传感器异常值检测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及异常值检测方法，更具体地说是指多传感器异常值检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]自动编码器是通过无监督学习训练的神经网络，其被训练以学习接近其原始输入的重建。自动编码器由编码器和解码器的两部分组成。具有单个隐藏层的神经网络分别具有Z＝σ(W1*Y+b1)和Y
*
＝σ(W2*Z+b2)的编码器和解码器，W和b是神经网络的权重和偏差，σ是非线性变换函数。AE的优化目标||Y—Y
*
||
min
；Z＝σ(W1*Y+b1)中的编码器通过非线性之后的仿射映射将输入矢量Y映射到隐藏空间Z。Y
*
＝σ(W2*Z+b2)中的解码器通过与编码器相同的变换将隐藏表示h映射回原始输入空间作为重建信号。原始输入矢量Y和重建Y
*
之间的差异被称为重建误差，如||Y—Y
*
||
min
中所示。自动编码器学习最小化该重建误差。自编码解码器属于生成模型，要求重构数据与原始信号差异尽可能小，对于正常数据训练的网络模型，输入正常数据，则重构误差||Y—Y
*
||就很小，如果输入异常数据，则重构误差差异很大。
[0003]传统自编码解码器做异常值检测时，将原始信息Y输入编码器内，经过隐层处理后由解码器进行解码操作，使用训练数据进行网络训练，损失函数为||Y—Y
*
||，Y
*<br/>可以看作是f(Y)，其中f表示训练好的模型。输入训练数据，进行模型训练，得到编码器和解码器的权重参数，待检测的数据输入至模型，比较重构误差||Y—Y
*
||，设置阈值，如果原始信号与重构信号差异大于阈值，则判断为异常值；反之，则为正常值。
[0004]但是，对于传感器数据，随着检测时间的延长，数据规模呈指数级增长，目前的异常值检测方法并不能满足处理大规模数据的需求，而且当前算法的鲁棒性不佳。
[0005]因此，有必要设计一种新的方法，实现满足大规模数据的需求，且检测算法的鲁棒性佳。
技术实现思路
[0006]本专利技术的目的在于克服现有技术的缺陷，提供多传感器异常值检测方法、装置、计算机设备及存储介质。
[0007]为实现上述目的，本专利技术采用以下技术方案：多传感器异常值检测方法，包括：
[0008]获取多元原始信号；
[0009]根据多元原始信号利用重构误差训练第一自编码器，并将第一自编码器内的隐层进行VMD分解，以得到分解信号；
[0010]将所述分解信号采用bagging的方式对数据特征进行采样，以得到特征值；
[0011]将所述特征值输入第二自编码器并优化第二自编码器中的两个自编码解码器，以确定重构特征的上界估计值以及重构特征的下界估计值；
[0012]根据所述分解信号、重构特征的上界估计值以及重构特征的下界估计值确定所述特征值对应的样本标签；
[0013]根据所述特征值对应的样本标签确定异常值。
[0014]其进一步技术方案为：所述第一自编码器的重构损失函数为||Y
‑
Y
′
||，优化目标为重构损失函数的50分位数；其中，优化目标为loss
q＝0.5
＝0.5([∈
i
])，])，Y＝[y1,y2,
…
,y
i
]；∈
i
为重构误差，loss
q＝0.5
为50分位数；i代表多元时间序列Y中的第i列。
[0015]其进一步技术方案为：所述将所述特征值输入第二自编码器并优化第二自编码器中的两个自编码解码器，以确定重构特征的上界估计值以及重构特征的下界估计值，包括：
[0016]将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用采用采用确定重构特征的上界估计值以及重构特征的下界估计值，其中，代表第i个特征的下界，U
s
代表VMD分解后的第s个分量，y
i,t
代表第i个传感器(特征)的在t时刻的下监测值。
[0017]其进一步技术方案为：所述根据所述分解信号、重构特征的上界估计值以及重构特征的下界估计值确定所述特征值对应的样本标签，包括：
[0018]判断所述分解信号是否处于所述重构特征的上界估计值以及重构特征的下界估计值之间；
[0019]若所述分解信号处于所述重构特征的上界估计值以及重构特征的下界估计值之间，则确定所述特征值对应的样本标签为异常标签；
[0020]若所述分解信号不处于所述重构特征的上界估计值以及重构特征的下界估计值之间，则确定所述特征值对应的样本标签为非异常标签。
[0021]其进一步技术方案为：所述根据所述特征值对应的样本标签确定异常值，包括：
[0022]采用投票机制对所有的特征值对应的样本标签采用取众数的方式确定异常值。。
[0023]其进一步技术方案为：所述将所述分解信号采用bagging的方式对数据特征进行采样，以得到特征值，包括：
[0024]对所述分解信号采用bagging的方式进行计算异常分数，以得到特征值。
[0025]本专利技术还提供了多传感器异常值检测装置，包括：
[0026]信号获取单元，用于获取多元原始信号；
[0027]分解单元，用于根据多元原始信号利用重构误差训练第一自编码器，并将第一自编码器内的隐层进行VMD分解，以得到分解信号；
[0028]采样单元，用于将所述分解信号采用bagging的方式对数据特征进行采样，以得到特征值；
[0029]优化单元，用于将所述特征值输入第二自编码器并优化第二自编码器中的两个自编码解码器，以确定重构特征的上界估计值以及重构特征的下界估计值；
[0030]标签确定单元，用于根据所述分解信号、重构特征的上界估计值以及重构特征的下界估计值确定所述特征值对应的样本标签；
[0031]异常值确定单元，用于根据所述特征值对应的样本标签确定异常值。
[0032]其进一步技术方案为：所述优化单元，用于将所述特征值输入至第二自编码器并
优化第二自编码器中的两个自编码解码器，采用优化第二自编码器中的两个自编码解码器，采用优化第二自编码器中的两个自编码解码器，采用确定重构特征的上界估计值以及重构特征的下界估计值，其中，代表第i个特征的下界，U9代表VMD分解后的第s个分量，y
i,t
代表第i个传感器(特征)的在t时刻的下监测值。
[0033]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0034]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.多传感器异常值检测方法，其特征在于，包括：获取多元原始信号；根据多元原始信号利用重构误差训练第一自编码器，并将第一自编码器内的隐层进行VMD分解，以得到分解信号；将所述分解信号采用bagging的方式对数据特征进行采样，以得到特征值；将所述特征值输入第二自编码器并优化第二自编码器中的两个自编码解码器，以确定重构特征的上界估计值以及重构特征的下界估计值；根据所述分解信号、重构特征的上界估计值以及重构特征的下界估计值确定所述特征值对应的样本标签；根据所述特征值对应的样本标签确定异常值。2.根据权利要求1所述的多传感器异常值检测方法，其特征在于，所述第一自编码器的重构损失函数为||Y
‑
Y
′
||，优化目标为重构损失函数的50分位数；其中，优化目标为loss
q＝0.5
＝0.5([∈
i
])，Y＝[y1,y2,
…
,y
i
]；∈
i
为重构误差，loss
q＝0.5
为50分位数；i代表多元时间序列Y中的第i列。3.根据权利要求1所述的多传感器异常值检测方法，其特征在于，所述将所述特征值输入第二自编码器并优化第二自编码器中的两个自编码解码器，以确定重构特征的上界估计值以及重构特征的下界估计值，包括：将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用将所述特征值输入至第二自编码器并优化第二自编码器中的两个自编码解码器，采用确定重构特征的上界估计值以及重构特征的下界估计值，其中，代表第i个特征的下界，U
s
代表VMD分解后的第s个分量。4.根据权利要求1所述的多传感器异常值检测方法，其特征在于，所述根据所述分解信号、重构特征的上界估计值以及重构特征的下界估计值确定所述特征值对应的样本标签，包括：判断所述分解信号是否处于所述重构特征的上界估计值以及重构特征的下界估计值之间；若所述分...
【专利技术属性】
技术研发人员：张军，宋杰，胡辉，江子君，郑增荣，
申请(专利权)人：杭州鲁尔物联科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。