买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于频域增强的无监督时间序列异常检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119939380B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411791500.1，技术领域涉及：G06F18/2415；该发明授权基于频域增强的无监督时间序列异常检测方法及系统是由蹇松雷;陈浩楠;谭郁松;余杰;李宝;张建锋;黄辰林;丁滟;董攀;任怡;王晓川;谭霜;郭勇;王怡琦设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本基于频域增强的无监督时间序列异常检测方法及系统在说明书摘要公布了：本发明公开了一种基于频域增强的无监督时间序列异常检测方法及系统，本发明包括将设备的多种数据构成的多维时间序列按照数据的维度标准化处理；将多维时间序列转换到频域后提取低频分量，将低频分量转回到时域并进行整流以得到频域整流后的多维时间序列；构造用于提取特征的深度神经网络并利用频域整流后的多维时间序列训练深度神经网络；利用训练好的深度神经网络对未标注的多维设备数据进行异常检测。本发明旨在对时间序列的内在依赖关系进行建模以充分学习和表示时间序列的“正态性”从而实现精确的异常检测，缓解现有技术的依赖关系的建模过程中噪声积累导致检测结果的偏差的问题。

本发明授权基于频域增强的无监督时间序列异常检测方法及系统在权利要求书中公布了：1.一种基于频域增强的无监督时间序列异常检测方法，其特征在于，包括下述步骤： S1，将设备的多种数据构成的多维时间序列按照数据的维度标准化处理； S2，将多维时间序列时间切片后转换到频域后提取低频分量，将低频分量转回到时域并进行整流以得到频域整流后的多维的时间切片； S3，构造用于提取特征的深度神经网络并利用频域整流后的多维的时间切片训练深度神经网络； S4，利用训练好的深度神经网络对未标注的多维设备数据进行异常检测； 步骤S3中构造的深度神经网络包括特征提取模块，所述特征提取模块用于从频域整流后的多维时间序列中提取出可有效区分正常行为和异常行为的特征，所述特征提取模块包括依次相连的全面依赖捕获注意力层、前馈网络层以及残差连接和层归一化层，所述全面依赖捕获注意力层、前馈网络层的输出均通过残差连接相加后再通过层归一化层得到可有效区分正常行为和异常行为的特征，所述全面依赖捕获注意力层针对输入的时间序列的处理包括：首先将步骤S2得到的每一个时间切片视为一个矩阵，通过交叉注意力捕获矩阵中每个元素与其交叉对应元素之间的注意力，包括：将时间切片根据下式使用三个不同的变换矩阵，和来生成查询矩阵，关键矩阵和值矩阵： ， ， ， 对于查询矩阵中的每个元素，分别根据下式计算第i行注意力得分和第j列注意力分数： ， ， 上式中，和分别为关键矩阵的第i行和第j行，表示转置操作； 为了将行和列的注意力分数统一到概率分布中，将第i行注意力得分和第j列注意力得分级联后执行softmax操作： ， ， 上式中，表示将第i行注意力得分和第j列注意力得分级联，为级联后的注意力分数，为统一到概率分布中的注意力分数； 将统一到概率分布中的注意力分数分离为行向量和列向量，然后根据下式对值矩阵中的相应行和列进行加权： ， ， ， 上式中，和分别为值矩阵中的第i行和第j列，和分别为元素的第i行和第j列依赖，为元素的行和列依赖，从而得到所有元素的行和列依赖组合构成的行列依赖矩阵；然后将得到的所有时间切片的行列依赖矩阵视为一个矩阵，再次通过交叉注意力捕获矩阵中每个元素与其交叉对应元素之间的行列依赖矩阵，行列依赖矩阵中每个元素的交叉对应元素已经包含与其各自交叉对应元素的依赖关系，行列依赖矩阵矩阵汇聚了时间切片中每个元素与全局所有元素的依赖关系，从而得到可有效区分正常行为和异常行为的特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区砚瓦池正街47号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。