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！

龙图腾网获悉哈尔滨理工大学申请的专利一种自适应相关感知无监督深度学习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：CN115879505B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202211428341.X，技术领域涉及：G06N3/0455；该发明授权一种自适应相关感知无监督深度学习异常检测方法是由席亮;苗德华;李梦涵设计研发完成，并于2022-11-15向国家知识产权局提交的专利申请。

本一种自适应相关感知无监督深度学习异常检测方法在说明书摘要公布了：本发明提出了一种自适应相关感知无监督深度学习异常检测方法，属于信息物理系统CPS领域，如智能生活、工业控制和数字医疗保健。同时，在CPS的背景下考虑了互联网和物联网中存在的各种安全问题。其中，基于无监督深度学习的异常检测模型通过潜在特征学习在许多CPS领域取得了良好的效果。然而，数据之间的相关性并没有引起足够的重视，挖掘它们之间的隐含关系，缺乏自适应训练，这对于在更复杂的数据环境中CPS的安全至关重要。因此，本文提出了一种自适应相关感知的无监督深度学习用于CPS异常检测。构造有向图结构来表示数据之间的隐式相关性，并采用动态图自适应更新设计提取特征和重构特征，估计概率分布和异常能量，完成异常检测。

本发明授权一种自适应相关感知无监督深度学习异常检测方法在权利要求书中公布了：1.一种自适应相关感知无监督深度学习异常检测方法，其特征在于该方法包括以下步骤： 步骤1：数据预处理阶段，为了准确分析复杂CPS数据之间的相关性，构造了一个有向图结构，将特征空间中的样本关联起来，并用动态图进行自适应更新，通过动态图不断地更新来更新特征空间； 步骤2：数据输入阶段，用已处理好的数据作为模型的输入，放入自编码器中进行重构，将双路编码器得到的表示特征进行拼接，最后用拼接后的最终表示放入估计网络，通过高斯混合模型进行异常检测； 步骤3：模型正式训练阶段，将数据集数据以6:2:2的比例拆分为训练集、验证集和测试集，训练数据作为模型训练的输入，经过模型的训练，得到优化后的模型； 所述步骤1中的数据预处理模块，具体步骤为： 步骤1_1由KNN算法构造图，构造初始相关有向图G0，对于每个样本Xi，选择K0个最近邻，NBi={Xik|k=1,2，…，K0}，采用KNN算法，KNNX,Kg，g=0,1,2，…，为迭代次数，然后，一个直边从Xik指向Xi，最后构造有向图G0； 步骤1_2基于G0设计了一个简单高效的动态图，自适应地更新样本之间的相关性，关键是动态调整K，在训练损失的约束下，根据K和之前的Gs得到最新的G0: 图误差GEg，是ACUDL的损失函数之一，用作自适应相关图更新的目标函数: GEg=‖Gg-G0‖2。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号哈尔滨理工大学西区；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。