【技术实现步骤摘要】
本专利技术涉及机器学习领域，具体来说，涉及机器学习领域中的异常感知技术，更具体地说，涉及一种异常检测模型构建方法、异常检测系统及方法。
技术介绍
1、在当前异常感知
，主要通过有监督式和无监督式的方法来构建模型并通过构建得到的模型来进行异常检测。其中，有监督式方法依赖于带有标签的正常数据和异常数据作为训练数据，并以其训练模型来识别与预设情况相符或不相符的异常。然而，有监督式方法受限于封闭性假设，即在实际应用中，异常不能超过预先设定的范围。这使得有监督式方法在实际场景下的适用性受到了很大的限制，因为许多现实中的异常情况往往是多样化和不可预设的。
2、相比之下，无监督式方法则不需要依赖数据标签，但是也需要限制场景封闭性和正常模态的单一性，具体而言，无监督式方法基于正常数据服从某种分布的假设，通过建模估计该分布的密度函数来检测异常。尽管无监督式方法在一定程度上克服了有监督式方法的局限性，但它同样面临挑战。一是，无监督式方法要求场景封闭性和正常模态的单一性，这在现实中很难得到满足；二是，对于复杂的分布模式，如多峰分布，现有无监...
【技术保护点】
1.一种异常检测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述循环记忆模块包括多个记忆单元，每个记忆单元均用于获取正常数据样本的相似性特征，其中，各个记忆单元之间以循环栈式结构连接。
3.根据权利要求2所述的方法，其特征在于，每个记忆单元用于基于自身存储的记忆数据按照预设的规则对前一个记忆单元的输出和原始特征进行相似度计算，以获取该记忆单元对应的正常数据样本的相似性特征，并以最后一个记忆单元对应的正常数据样本的相似性特征作为目标相似性特征。
4.根据权利要求3所述的方法，其特征在于，预设的规
...
【技术特征摘要】
1.一种异常检测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述循环记忆模块包括多个记忆单元，每个记忆单元均用于获取正常数据样本的相似性特征，其中，各个记忆单元之间以循环栈式结构连接。
3.根据权利要求2所述的方法，其特征在于，每个记忆单元用于基于自身存储的记忆数据按照预设的规则对前一个记忆单元的输出和原始特征进行相似度计算，以获取该记忆单元对应的正常数据样本的相似性特征，并以最后一个记忆单元对应的正常数据样本的相似性特征作为目标相似性特征。
4.根据权利要求3所述的方法，其特征在于，预设的规则为：
<...【专利技术属性】
技术研发人员：陈益强，李嘉豪，邢云冰，
申请(专利权)人：中国科学院计算技术研究所，
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。