一种基于差异性组件的时序异常检测方法技术

本发明专利技术属于深度学习技术领域，公开了一种基于差异性组件的时序异常检测方法，首先通过对少样本数据集通过排列组合的方式将原来的独立性样本变为相关性样本，对样本数量进行扩充得到组合序列样本，再利用包括可学习核的差异性组件生成组合序列样本的差异特征图，将差异特征图进入到前馈网络中进行训练。本发明专利技术有效解决了少样本学习中复杂数据之间分类效果不理想的问题，且提出了新的数据扩充方式与分类组件，无需进行长时间的训练，能够高效的实现分类检测任务。现分类检测任务。现分类检测任务。

【技术实现步骤摘要】
一种基于差异性组件的时序异常检测方法


[0001]本专利技术属于深度学习
，具体涉及一种基于差异性组件的时序异常检测方法，可以用于时序异常检测中。

技术介绍

[0002]早期的深度学习技术在图像分类、模式识别、目标跟踪等领域获得了很多优异的成绩，但是这些进展较为严重地依赖于人工标注的数据。在一些具体的应用场景中，比如时间序列异常检测、画作分类和医疗领域，会因为存在样本获取难度大或者样本数量本身较少和标注困难等问题，需要的时间和人力成本很大，这严重的阻碍了深度学习分类能力的发展。具体来说，由于一些任务中存在样本数量较少和网络过于复杂等原因，直接将深度学习技术用于这些任务容易产生过拟合现象，即训练准确率高而测试准确率低。选用合适的针对少量样本的深度学习模型，不仅可以降低训练的成本，并且缩短训练时间，还能够使一些复杂模型应用于新的类别，从而提高现有模型的应用范围。例如，在画作分类任务中，有些风格类型的画作由于历史原因，存世量较少，导致可用于分类训练的数据集样本较少，使得现有深度学习技术无法得到一个有效的分类模型去识别未知样本。这就需要建立针对少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于差异性组件的时序异常检测方法，其特征在于，包括以下步骤：S1、获取已经标注好的时序数据样本，从中选择部分样本作为固定类型样本，并获取与其类型相同的同类样本和与其类型不同的异类样本，形成训练集和测试集；所述训练集和测试集中的样本不重复，且各个集合中同类样本和异类样本的数量相同；S2、利用固定类型样本对训练集和测试集中的数据样本进行组合扩充，得到组合序列样本；S3、将扩充后的训练集和测试集的组合序列数据样本分别输入差异性组件中对差异性组件进行训练和测试；所述差异性组件包括：特征提取单元：用于对数据集中的组合序列样本中的各个样本分别进行特征提取得到特征图；相似性计算单元：通过可学习的核对组合序列样本中的各个样本分通道进行距离相似性计算，得到各个通道的距离特征；差异特征计算单元：通过各个通道的距离特征计算得到组合序列数据样本的差异特征；S4、将差异性组件输出的差异特征图输入到前馈网络中进行训练得到时序异常分类器；S5、将待测时序数据与固定类型样本组合得到待测类型样本，利用训练完成的差异性组件得到待测类型样本的差异性特征图，输入时序异常分类器中得到待测时序数据的类型。2.根据权利要求1所述的一种基于差异性组件的时序异常检测方法，其特征在于，所述步骤S2中，对数据样本进行扩充的方法为：将各个集合中的各个时序样本与分别与固定类型样本中的每一个分别进行组合，得到包括两个样本的组合序列样本；将两个序列样本同类的组合序列样本的标签设置为1，不同类的组合序列样本的标签设置为0。3.根据权利要求1所述的一种基于差异性组件的时序异常检测方法，其特征在于，所述步骤S3中，相似性计算单元进行距离相似性计算得到距离特征Z
i
的计算公式为：其中，z
i
(u,v)表示距离特征Z
i
在(u，v)位置的特征值，(x,y)表示像素位置坐标，表示随机选取项r中i通道(x,y)位置的像素值，ω
(u
‑
x,v
‑
y)
...

【专利技术属性】
技术研发人员：赵强，张瑞，
申请(专利权)人：山西大学，
类型：发明
国别省市：