申请/专利权人：电子科技大学

申请日：2024-01-11

公开（公告）日：2024-03-19

公开（公告）号：CN117556311B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/214;G06N3/0464;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明提出一种基于多维特征融合的无监督时间序列异常检测方法，属于人工智能时间序列异常检测分析领域。从生产过程中的时序数据中自动提取不同局部性的多维度特征，并进行特征融合，该方法首先通过多维度特抽取网络，从不同局部性层次的多个维度中学习时间序列中的复杂模式和依赖关系，然后通过多维度特征融合策略有效地捕获时间序列中的长时间依赖性、周期性等复杂特性；最后通过自监督训练学习时间序列的正常模式，并将与正常模式显著偏离的样本输出为异常数据；从而解决时间序列异常检测中的复杂依赖关系建模和特征提取问题。

主权项：1.一种基于多维特征融合的无监督时间序列异常检测方法，其特征在于，包括如下步骤：步骤S1：对服务器时序数据进行预处理，通过线性归一化，对输入时间序列S的各个时间步进行处理，将其取值范围调整到0到1的实数区间，得到经过归一化处理的时间序列S′；步骤S2：通过一个非重叠的滑动窗口将上述经过归一化处理的时间序列S′划分为一系列子序列Xi，i＝1，2，...，N，其中，N表示子序列的数量；步骤S3：服务器时序数据一维特征提取，通过两个多层感知机MLP分别对子序列Xi的时序特征和空间特征进行提取，得到一维特征X1D；步骤S4：服务器时序数据二维特征提取，首先通过快速傅里叶变换算法计算经过归一化处理的时间序列S′的多个频率，并以最大频率值为宽度对经过归一化处理的时间序列S′进行分割，最后堆叠为二维表示，得到二维特征X2D；步骤S5：将步骤S3所述的一维特征X1D与步骤S4所述的二维特征X2D进行多维特征融合；步骤S6：计算重构误差；步骤S7：异常判断，设置一个阈值参数来和重构误差进行比较，重构误差大于阈值参数即判定为异常值；所述步骤S5具体包括如下步骤：对于一维特征X1D和二维特征X2D，分别采用三个全连接层和sigmoid函数来生成权重分数，然后通过与元素相乘的方法对输入特征进行加权；为了打破对称结构，将二维特性分支进一步乘以负一系数，再加上正一系数；最终计算特征融合层的特征表示： 其中，σ表示sigmoid激活函数，表示元素之间乘法，F表示堆叠的三个全连接层，O表示多维特征融合后的输出，其维度与输入时间序列相同。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于多维特征融合的无监督时间序列异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD