基于能量和镜像生成对抗网络的异常检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114139686A(43)申请公布日2022.03.04(21)申请号202111479582.2(22)申请日2021.12.06(71)申请人南京航空航天大学地址211106江苏省南京市江宁区将军大道29号(72)发明人梁启亮张吉关东海李博涵(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于能量和镜像生成对抗网络的异常检测方法(57)摘要本发明公开了一种基于能量和镜像生成对抗网络的异常检测方法。所提出的方法包括三部分，第一部分是利用聚类算法将原始数据分成多簇，分别进行后续处理以排除簇间空隙的影响。第二部分用神经网络构建镜像生成对抗网络并引入能量的思想，利用正常的数据进行迭代训练，生成位于边缘的关键异常点，加入到原始数据集中，达到类别平衡的目的。第三部分是构建异常检测器，利用生成异常点及数据集的正常点，进行迭代训练，异常点所处的关键边缘位置，可以使异常检测器学习到正异常的分界信息，从而对未知异常具备良好的检测能力。本发明实现了更高效率的关键异常点生成，在解决类别不平衡问题的同时，也提高了异常检测器对未知异常的检测能力。CN114139686ACN114139686A权利要求书1/2页1.一种基于能量和镜像生成对抗网络的异常检测方法，其特征在于：具体包括如下步骤：步骤1：对正常数据进行预处理，将其标准化，以消除量纲对结果的影响。划分数据集得到训练样本和测试样本，分别用于模型的训练和测试，并将训练样本使用聚类算法进行分簇，消除簇间空隙对边缘异常点生成的影响；步骤2：用神经网络构建镜像生成对抗网络，并引入能量的思想，使用步骤1所得的单簇训练数据，对模型进行迭代训练，以得到最优参数，并将训练完成后的边缘异常点加入到原始数据集中；步骤3：用神经网络另外搭建异常检测器，使用步骤2对所有簇训练所得的边缘异常点及正常点，对其进行迭代训练，并使用测试集对其进行测试。2.根据权利1要求所述的数据预处理，其特征在于：所述步骤1对数据的预处理包括以下步骤：步骤11：对数据集中所有数据进行标准化处理，以消除量纲对结果的影响。步骤12：对数据集进行划分，将其中的全部异常数据划分到测试集中。对于正常数据，将80％的数据分割出来作为训练集，剩下的20％数据于异常数据合并成为测试集，分别记为Xtrain，Xtest。步骤13：使用聚类算法，将训练数据Xtrain进行分簇，其中m为数据簇的个数。取每一簇数据单独执行后续的步骤2和步骤3，以消除簇间空隙对异常点生成的影响。3.根据权利1所述的训练镜像生成对抗网络，其特征在于：所述步骤2训练镜像生成网络并结合能量思想包括以下步骤：步骤21：构建镜像生成对抗网络，不同于传统的单生成器单判别器结构，我们加入镜像判别器，并将其各组件记为G(生成器)，D(判别器)，Dmirror(镜像判别器)，其中D和Dmirror结构相同，但目标输出相反。步骤22：引入能量的思想，更改D和Dmirror为编码器‑解码器的结构，经过编码解码计算得到原始数据xi的重构数据yi。xi与yi维度一致，以xi和yi的均方误差作为能量值，直接用于与生成器G的对抗训练。步骤23：取预处理后的训练集中的一簇数据，记为其中n为该簇训练样本的个数。步骤24：随机采样k维的均匀噪声z作为生成器G的输入，输出最初的生成样本，记为Xg＝{xg1，xg2，…，xgn}，其中n为生成样本的个数。步骤25：将步骤23，24所得的生成样本Xg及一簇训练样本作为D的输入，通过编解码操作，希望D对中的样本输出能量较低，对Xg中样本的输出能量高。D的目标函数如公式2‑1所示：+LD＝D(x)+[m‑D(G(z))]公式2‑1步骤26：Dmirror和D结构相同，但训练目标函数与之相反。将步骤23所得的生成样本Xg及步骤24中的作为Dmirror的输入，通过编解码操作，希望Dmirror对Xg中的样本输出能量较低，对中样本的输出能量高。Dmirror的目标函数如公式2‑2所示：2CN114139686A权利要求书2/2页步骤27：重新采样k维均匀噪声z*作为生成器G的输入，将输出的生成样本分别作为训练后D和Dmirror的输入，分别得到二者对各生成样本的能量值。步骤28：为规避模式崩溃问题，对于生成点计算其均值最大化各点于其均值的距离，鼓励生成点散开分布，如公式2‑3：在生成器G的目标函数中加入公式2‑3，根据步骤26中D和Dmirror对各生成样本的能量值，训练生成器G。出生成器G的目标函数如公式2‑4所示：**LG＝||D(G(z))‑Dmirror(G(z))||2+λlossd公式2‑4步骤29：转到