一种基于半非负矩阵分解的数据异常检测方法技术

本申请涉及半非负矩阵分解和异常检测的技术领域，具体涉及一种基于半非负矩阵分解的数据异常检测方法，包括以下步骤：S1:将正常数据集X分为N个子数据集Xi，其中1≤i≤N，利用全部子数据集Xi对基于半非负矩阵分解的数据异常检测网络W进行训练，得到数据异常检测模型M；S2:所述正常数据集X包含n1个数据xj，其中1≤j≤n1，且每个数据均是表示正常的数据；S3:所述子数据集Xi包含n2个数据xk，其中1≤k≤n2；S4:将待检测的数据y输入数据异常检测模型M，得到异常检测结果R。本申请能实现更好的数据异常检测效果。

【技术实现步骤摘要】

本申请涉及半非负矩阵分解和异常检测的，具体涉及一种基于半非负矩阵分解的数据异常检测方法。

技术介绍

1、在数据异常检测领域，随着大数据时代的到来，数据量的爆炸式增长使得异常检测变得尤为重要。异常数据可能隐藏着重要的信息，如系统故障、欺诈行为等，因此，如何准确、高效地检测出这些异常数据成为了研究的热点。传统的异常检测方法，如基于统计的方法、基于距离的方法等，虽然在某些场景下取得了一定的效果，但在处理高维、复杂数据时往往面临挑战。

2、因此，需改进。

技术实现思路

1、为实现更好的数据异常检测效果，本申请提供一种基于半非负矩阵分解的数据异常检测方法。

2、本申请的专利技术目的一是通过以下技术方案得以实现的：

3、一种基于半非负矩阵分解的数据异常检测方法，包括以下步骤：

4、s1:将正常数据集x分为n个子数据集xi，其中1≤i≤n，利用全部子数据集xi对基于半非负矩阵分解的数据异常检测网络w进行训练，得到数据异常检测模型m；

5、s2:所述正常数据集x包含本文档来自技高网...

【技术保护点】

1.一种基于半非负矩阵分解的数据异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于半非负矩阵分解的数据异常检测方法，其特征在于，所述S1:将正常数据集X分为N个子数据集Xi，其中1≤i≤N，利用全部子数据集Xi对基于半非负矩阵分解的数据异常检测网络W进行训练，得到数据异常检测模型M，包括：

3.根据权利要求2所述的一种基于半非负矩阵分解的数据异常检测方法，其特征在于，所述S14:特征分解和重构层：对整个特征数据集Ci进行半非负矩阵分解和重构，得到重构特征数据集Ci′，包括：

4.根据权利要求2所述的一种基于半非负矩阵分解的数据异...

【技术特征摘要】

1.一种基于半非负矩阵分解的数据异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于半非负矩阵分解的数据异常检测方法，其特征在于，所述s1:将正常数据集x分为n个子数据集xi，其中1≤i≤n，利用全部子数据集xi对基于半非负矩阵分解的数据异常检测网络w进行训练，得到数据异常检测模型m，包括：

3.根据权利要求2所述的一种基于半非负矩阵分解的数据异常检测方法，其特征在于，所述s14:特征分解和重构层：对整个特征数据集ci进行半非负矩阵分解和重构，得到重构特征数据集ci′，包括：

4.根据权利要求2所述的一种基于半非负矩阵分解的数据异常检测方法，其特征在于，所述s1:将正常数据集x分为n个子数据集xi，其中1≤i≤n，利用全部子数据集xi对基于半非负矩阵分解的数据异常检测网络w进行训练，得到数据异常检测模型m，还包括：

5.根据权利要求4所述的一种基于半非负矩阵分解的数据异常检测方法，其特征在于，所述s1:将正常数据集x分为n个子数据集xi，其中1≤i≤n，利...

【专利技术属性】
技术研发人员：韩威，熊志金，
申请(专利权)人：广州铁路职业技术学院广州铁路机械学校，
类型：发明
国别省市：