一种基于叠层宽度学习系统的鲁棒无监督异常检测方法技术方案

本发明专利技术提供了一种基于叠层宽度学习系统的鲁棒无监督异常检测方法，用于异常检测，包括以下步骤：构建鲁棒叠层宽度学习系统的目标函数：通过岭回归计算所述鲁棒叠层宽度学习系统的输出权重；确定每个鲁棒叠层宽度学习系统子模块的预测输出；基于核密度估计函数，计算样本的权重因子，根据样本的残差概率分布密度识别异常值。本发明专利技术通过充分利用叠层BLS的残差特性，根据样本点的离散程度分配不同的加权因子，消除异常值和噪声对检测的干扰；同时鲁棒叠层BLS可以自适应地处理未标记数据，其动态叠层结构和增量学习算法在提高检测精度的基础上，提高了鲁棒性和泛化能力。提高了鲁棒性和泛化能力。提高了鲁棒性和泛化能力。

【技术实现步骤摘要】
一种基于叠层宽度学习系统的鲁棒无监督异常检测方法


[0001]本专利技术属于智能学习领域，尤其涉及一种基于叠层宽度学习系统的鲁棒无监督异常检测方法。

技术介绍

[0002]异常检测一直是各个领域的热点问题，因此出现了针对不同领域需求的传统异常检测算法。然而，与机器学习算法相比，传统的异常检测方法在处理高维海量数据集方面表现不佳，他们在面对计算复杂度高、多种类型的异常以及变量之间的非线性耦合关系时，无法达到较高的检测精度。
[0003]异常检测是指从收集的数据中发现离群值、异常、故障、缺陷或误差。异常主要分为三大类，即点异常、连续异常、群体异常。由于标签决定了样本是无异常还是异常，异常检测主要分为三类：监督异常检测SAD、半监督异常检测SSAD和无监督异常检测UAD。其中，SAD方法和SSAD方法都有一定的局限性，并且需要有标记的训练数据。与UAD相比，SAD和SSAD对样本标签的要求更高，并且涉及训练分类器。而UAD主要用于发现与其他数据不匹配的实例，具体来说，在实际工业应用场景中，数据集是实时采集的，会不断产生新的数据，限制了训练数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于叠层宽度学习系统的鲁棒无监督异常检测方法，其特征在于，包括以下步骤：构建鲁棒叠层宽度学习系统的目标函数：通过岭回归计算所述鲁棒叠层宽度学习系统的输出权重；确定每个鲁棒叠层宽度学习系统子模块的预测输出；基于核密度估计函数，计算样本的权重因子，根据样本的残差概率分布密度识别异常值。2.根据权利要求1所述的一种基于叠层宽度学习系统的鲁棒无监督异常检测方法，其特征在于，通过岭回归计算所述鲁棒叠层宽度学习系统的输出权重，具体包括：获取岭回归的近似结果；基于所述近似结果计算所述输出权重，计算过程如下：所述岭回归的近似结果的表达式为：对上述表达式进行化简：输入得到：其中，A表示特征节点与增强节点共同构成的增广矩阵；A
+
表示矩阵A的伪逆；A
T
表示矩阵A的转置；I表示单位矩阵；V
i
表示特征节点的映射矩阵；W
i
表示宽度学习系统的输出权重；W
Z
表示特征节点矩阵的相应权重；W
H
表示增强节点矩阵的相应权重；θ表示权重因子。3.根据权利要求1所述的一种基于叠层宽度学习系统的鲁棒无监督异常检测方法，其特征在于，在所述鲁棒叠层宽度学习系统中包括N个所述鲁棒叠层宽度学习系统子模块；所述鲁棒叠层宽度学习系统子模块的预测输出表达式为：其中，...

【专利技术属性】
技术研发人员：王晓佳，华彤，薛子睿，徐晟，朱克毓，汪存佳，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：