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！

龙图腾网获悉北京邮电大学申请的专利基于有向密度比变化率的电力调度监控数据异常检测方法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：CN115293221B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202210295273.8，技术领域涉及：G06F18/2433；该发明授权基于有向密度比变化率的电力调度监控数据异常检测方法是由高欣;李康生;薛冰;傅世元;于家豪;黄子健;黄旭;张光耀设计研发完成，并于2022-03-23向国家知识产权局提交的专利申请。

本基于有向密度比变化率的电力调度监控数据异常检测方法在说明书摘要公布了：本发明实施例提出了基于有向密度比变化率的电力调度监控数据异常检测方法，包括：将电力调度监控历史数据作为输入数据集，通过核密度估计与扩展近邻集合来计算样本的局部核密度；结合局部核密度与样本之间的距离向量，计算每个样本与其近邻样本的有向密度比之和；通过有向密度比的二范数计算样本与其近邻的有向密度比的变化率；将不同参数下的有向密度比变化率进行求和，得到每个样本的最终异常分数，据此判定电力调度监控数据中的异常样本。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率与稳定性。

本发明授权基于有向密度比变化率的电力调度监控数据异常检测方法在权利要求书中公布了：1.基于有向密度比变化率的电力调度监控数据异常检测方法，其特征在于，包括如下步骤： 1将电力调度监控历史数据作为输入数据集，通过核密度估计与扩展近邻集合来计算样本的局部核密度，具体为： 将电力调度监控系统采集到的与电力调度系统业务相关的进程实时资源占用数据作为电力调度监控历史数据集输入，记为X＝{x1,x2,x3,...,xn}，其中xn∈Ru，R代表实数集，u＝6代表数据的维度，具体包括进程CPU占用率、内存占用率、磁盘IO、网络IO、线程个数、网络连接数；输入数据集X的总样本数目为N； 计算X中第i个样本xi到所有其它样本的欧氏距离dxi,xj，xj∈X，并取距离xi最近的k个样本，记为近邻集合kNNxi；计算完所有样本的kNNxi后，再次遍历所有样本，对于样本xi，查询其是否存在于另一个样本xm的近邻集合kNNxm中，xm∈X，找到所有符合的样本xm，记为反向近邻集合RkNNxi；将kNNxi与RkNNxi合并，得到样本xi的扩展近邻集合EkNNxi＝kNNxi∪RkNNxi； 使用xi的扩展近邻集合中的样本与高斯核函数对xi进行核密度估计，得到xi的局部核密度ρxi： 其中，EkNNxi为上述定义的扩展近邻集合；dxi,xj代表样本xi到样本xj的欧氏距离；i＝1,2,...N,N表示输入数据集X的总样本数目；h为高斯核函数的带宽，h的计算方式由下式给出： 其中，dxi,xj代表样本xi到样本xj的欧氏距离；i＝1,2,...N,N表示输入数据集X的总样本数目； 2结合局部核密度与样本之间的距离向量，计算每个样本与其近邻样本的有向密度比之和，具体为： 基于步骤1中计算的局部核密度ρxi，结合样本之间的距离向量，计算输入样本集X中每个样本xi与其近邻样本的有向密度比之和 其中，ρ·为步骤1中计算的局部核密度；代表特征空间中样本xi到样本xj的向量；EkNNxi为步骤1中定义的扩展近邻集合；i＝1,2,...N,N表示输入数据集X的总样本数目； 3通过有向密度比的二范数计算样本与其近邻的有向密度比的变化率，具体为： 基于步骤2计算的每个样本与其近邻的有向密度比之和，计算有向密度比的变化率来衡量该样本的异常程度，样本xi的有向密度比变化率ΔDRDi,k的定义由下式给出： 其中代表的是样本xi的有向密度比之和的二范数； 4将不同参数下的有向密度比变化率进行求和，得到每个样本的最终异常分数，据此判定电力调度监控数据中的异常样本，具体为： 基于步骤3中计算的有向密度比变化率ΔDRDi,k，通过对不同k值下的ΔDRDi,k进行求和来计算样本xi的最终异常分数DCRxi： 其中K为人工定义的超参数；根据计算的异常分数DCRxi对数据样本进行排序，分数最高的前t％样本将被判定为异常，实现电力调度监控数据异常检测。

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北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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。