一种基于深度学习的异常数据检测方法技术

本发明专利技术涉及数据处理技术领域，尤其涉及一种基于深度学习的异常数据检测方法。该方法包括步骤；S1，实时数据捕获与预处理；S2，事件元组与异常判定；S3，动态分箱与决策树建模；S4，最优检测路径选择；S5，反馈优化与持续监测；本发明专利技术通过根据动态分箱构建规则及决策树降低检测开销，预处理实时检测数据，综合识别实时数据的异常状态，多级报警及时响应，反馈自适应机制，实现数据实时监控，实时采集多维度数据并对其进行预处理，通过动态分箱和决策树构建确定数据异常风险，并根据风险级别对异常数据进行报警，同时依据动态反馈结果调整标准依赖强度变化量，提升检测准确度与稳定性，实现对业务数据高效精准的异常检测的需求。

【技术实现步骤摘要】

本专利技术涉及数据处理，尤其涉及一种基于深度学习的异常数据检测方法。

技术介绍

1、异常数据检测是一项重要的数据预处理技术，其目标在于识别并处理数据集中的异常值或异常情况，以提升数据质量和分析结果的准确性。

2、1960年代，随着数据库技术的发展，异常数据检测逐渐成为一项重要的数据库管理技术。进入21世纪，随着机器学习和人工智能技术的快速发展，异常数据检测的应用范围逐渐扩大，成为数据分析和数据挖掘领域中的关键技术之一。中国专利公开号为cn117935357a的专利文献公开了一种基于自监督学习的工厂人员异常行为检测方法，其技术点是通过构建四种图结构并通过图卷积神经网络提取人体骨骼特征，进一步提取动作帧特征后利用对比学习进行预训练，将gcn与3d-cnn特征拼接，输入时间卷积网络进行动作建模，实现异常行为检测，并通过反馈机制不断优化检测精度，提高漏洞检测的实时性与效率；同时，该系统数据来源单一：仅依赖摄像头获取的骨骼动作数据，而未结合温度、气体、振动等多维数据，导致异常检测的全面性不足，难以适应少量异常样本的情况；异常判断维度较少，而非全面监测设备本文档来自技高网...

【技术保护点】

1.一种基于深度学习的异常数据检测方法，其特征在于，包括，

2.根据权利要求1所述的基于深度学习的异常数据检测方法，其特征在于，对单位输入数据进行事件元组异常检测包括，

3.根据权利要求2所述的基于深度学习的异常数据检测方法，其特征在于，得到第一检测结果包括，

4.根据权利要求2所述的基于深度学习的异常数据检测方法，其特征在于，基于实时异常强度变化量和实际依赖度确定是否执行第二数据检测程序包括，

5.根据权利要求4所述的基于深度学习的异常数据检测方法，其特征在于，执行第二数据检测程序包括动态分箱，其中，

6.根据权利要求4所述的...

【技术特征摘要】

1.一种基于深度学习的异常数据检测方法，其特征在于，包括，

2.根据权利要求1所述的基于深度学习的异常数据检测方法，其特征在于，对单位输入数据进行事件元组异常检测包括，

3.根据权利要求2所述的基于深度学习的异常数据检测方法，其特征在于，得到第一检测结果包括，

4.根据权利要求2所述的基于深度学习的异常数据检测方法，其特征在于，基于实时异常强度变化量和实际依赖度确定是否执行第二数据检测程序包括，

5.根据权利要求4所述的基于深度学习的异常数据检测方法，其特征在于，执行第二数据检测程序包括动态分箱，其中，

6.根...

【专利技术属性】
技术研发人员：严亚伟，
申请(专利权)人：严亚伟，
类型：发明
国别省市：