【技术实现步骤摘要】
本专利技术涉及工业数据异常处理，具体涉及一种基于轻量化重构网络的可解释性时序数据异常检测方法。
技术介绍
1、异常检测通常需要实时或近实时地处理大量的数据流，这些数据流可能是高频率的、高维度的、动态变化的，同时也可能包含噪声和冗余信息，因此处理这些数据需要高效的方法和数据结构来提高计算效率和减少存储开销。传统的异常检测方法主要基于统计学和阈值技术，然而，在复杂的高维数据集中，这些方法往往难以捕捉到潜在的异常模式。深度学习技术的快速发展为异常检测带来了新的机遇，特别是基于重构网络的无监督异常检测方法成为研究热点。这些方法通过利用深度神经网络和自编码器技术，以无监督学习的方式对数据进行重构和表示学习，从而能够有效地捕捉数据中的潜在异常模式。
2、然而，目前已知的一些基于重构网络的异常检测方法普遍存在一些问题。首先，一些方法需要大量的参数和计算资源，导致模型庞大和运算复杂，限制了在轻量级设备上的应用。其次，由于网络结构复杂或特征提取不明确，这些方法的解释性较差，难以向用户或决策者提供透明的解释，从而限制了其在一些关键应用领域的使用。
技术实现思路
1、为了克服上述现有技术方案的不足，本专利技术提供了一种基于轻量化重构网络的可解释性时序数据异常检测方法。为了实现上述技术目的，本专利技术采用如下技术方案：
2、一种基于轻量化重构网络的可解释性时序数据异常检测方法，包括如下步骤：
3、s1：获取时序数据进而构建数据集；
4、s2：构建编码网络以获
5、s3：构建关系学习模块以获得多个序列通道之间的依赖关系；
6、s4：利用依赖关系更新数据的潜在特征，构造解码网络，将更新后的潜在特征输入到解码网络中以获得重构数据；
7、s5：构建生成器和判别器并采用对抗训练方法优化由编码网络、关系学习模块和解码网络所构成的重构网络的参数；
8、s6：将待检测数据输入经过对抗训练优化后的重构网络，并通过分析重构误差来判断数据的异常状态，结合依赖关系图对异常状态进一步推断。
9、与现有技术相比，本专利技术的有益效果：
10、本专利技术的基于轻量化重构网络的可解释性时序数据异常检测方法，实现在轻量化和可解释性方面的进步，该方法将专注于精简网络结构，降低参数量，以便在资源受限的环境下高效部署。同时，该方法向可解释性方向推进，为异常检测的推断提供值得参考的信息，有助于增强用户对系统决策的信任和理解。这一创新方法的有益效果在于，首先通过网络参数降低，系统在资源有限的情况下能够更加高效地运行，实现了在实际应用中的可行性。其次，强调可解释性使得用户能够深入了解异常检测的基础，为用户提供了更多决策支持的同时，也降低了使用门槛。这样的双重优势使得该方法具备广泛的应用前景，不仅提高了系统性能，同时也增强了用户与系统之间的互信关系，为未来的技术发展和应用奠定了坚实基础。
本文档来自技高网...【技术保护点】
1.一种基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S1具体包括：
3.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S2包括：
4.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S3具体包括：
5.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S4具体包括：
6.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S5具体包括：
7.根据权利要求6所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S55具体包括：
8.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤S6具体包括：
【技术特征摘要】
1.一种基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤s1具体包括：
3.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤s2包括：
4.根据权利要求1所述的基于轻量化重构网络的可解释性时序数据异常检测方法，其特征在于，步骤s3具体包括：
5.根...
【专利技术属性】
技术研发人员：代伟，程圆圆，冯泉，王昱栋，张威，王兰豪，刘鑫，
申请(专利权)人：中国矿业大学，
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。