【技术实现步骤摘要】
本专利技术属于人工智能算法检测，具体涉及一种针对大小模型协同合作的异常检测方法。
技术介绍
1、异常检测技术经历了由基于专家经验设计的规则逻辑、基于机器学习算法的数据驱动型异常检测到基于深度神经网络的异常检测的转变。其中，基于专家经验设计的规则逻辑依赖大量人工参与，并且无法实时适应异常检测对象的变化。基于机器学习算法的数据驱动模型可以克服这一缺点，但他们依赖于严格的数学假设，在实际应用场景中难以实现较高的准确性。基于深度神经网络的异常检测方法，在此基础上进一步提升了异常检测性能，但目前该类方法依然面临以下问题：
2、1.在专业性强的领域，例如飞机健康状态测试中，异常检测任务高度依赖于专家知识；目前数据驱动的模型，很难有效自动结合专家知识进行异常检测。
3、2.非全量观测数据。在许多应用领域，已有观测数据无法覆盖异常检测对象的所有状态，例如在航空领域，历史数据无法覆盖全天候、全地域，各种飞行条件下飞机监测数据的所有分布。而目前主流的无监督异常检测方法旨在学习正常模式的分布，并将异于该分布的状态标记为异常。但是，由于...
【技术保护点】
1.一种针对大小模型协同合作的异常检测方法，包括如下步骤：
2.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征在于：所述步骤(1)中针对当前异常检测对象领域，采集该领域的时间序列数据，使用滑动窗口机制将时间序列数据划分为多个时间窗口，将每个时间窗口的数据作为训练样本输入至大语言模型中。
3.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征在于：所述大模型prompt包含四个部分：专家背景知识、输入数据、任务描述和当前应用场景下异常检测的例子。
4.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征...
【技术特征摘要】
1.一种针对大小模型协同合作的异常检测方法，包括如下步骤：
2.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征在于：所述步骤(1)中针对当前异常检测对象领域，采集该领域的时间序列数据，使用滑动窗口机制将时间序列数据划分为多个时间窗口，将每个时间窗口的数据作为训练样本输入至大语言模型中。
3.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征在于：所述大模型prompt包含四个部分：专家背景知识、输入数据、任务描述和当前应用场景下异常检测的例子。
4.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征在于：所述步骤(2)中的大模型prompt使用定期均匀分散设置举例的方式引导大语言模型对时间序列数据进行检测，能够提高大模型的检测准确性。
5.根据权利要求1所述针对大小模型协同合作的异常检测方法，其特征在于：所述步骤(4)中的对齐...
【专利技术属性】
技术研发人员：邓水光，陈飞佚，张磊磊，秦臻，程冠杰，赵海亮，
申请(专利权)人：浙江大学，
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。