[发明专利]一种基于BQP网络的异常检测方法

权利要求书

1.一种基于BQP网络的异常检测方法，其特征在于，包括以下步骤：

S1，预设异常检测图像训练数据集；

S2，搭建BQP网络，设定参数：网络输入图像尺寸C×H×W，批次大小B，特征向量维数n，惩罚因子c，数值修正因子ε；

S3，对于每一批次送入BQP网络的训练批次，其包含图像样本和标签，表述为I＝(I₁,y₁；I₂,y₂；...；I_B,y_B)，其中，I_j为该批次中第j个样本，y_j表示第j个样本的标签，j＝1，2，…B；利用BQP网络中的特征抽取网络抽取图像中的特征，其输出为批次特征向量X，大小为B×n；

S4，抽取的批次特征向量X，在BQP网络中的QP输出层中构建空间特征超球，QP输出层输出最优对偶变量a^*；

S5，通过分类损失函数和一致性损失函数，分别对BQP网络中的特征抽取网络输出的特征向量X和QP输出层的最优对偶变量a^*计算损失函数，并通过反向传播算法对BQP网络进行参数优化，即多目标优化；

S6，检测时，使用特征抽取网络输出的每个样本特征向量的模长||x_i||₂与设定的阈值R_Threshold进行比较，实现异常检测；

所述步骤S1具体为：

定义每一批次大小为B的训练数据，由B张图像样本和B个标签组成训练批次(I₁,y₁；I₂,y₂；...；I_B,y_B)；其中，y_j＝0时，I_j为正常样本；y_j＝1时，I_j为异常样本；

所述步骤S2包括以下步骤：

S21，建立特征抽取网络，特征抽取网络由卷积层、池化层、激活层和线性层组成，其功能是抽取输入图像的特征向量，并可经过反向传播算法动态更新网络权重；

S22，建立QP输出层，该输出层求解形如：

a^*＝argmin[a^TQa-p^Ta]

的标准凸二次规划问题；其中，上式中各个参数为：

a＝[a₁,a₂...a_B]^T，

β＝1-n_A·c-ε，

其中，Q中的x₁,x₂,...x_B分别是BQP网络中特征抽取网络输出的批次特征向量中第1,2,…B个元素；c是惩罚因子，取值介于0到1之间；n_A是训练批次(I₁,y₁；I₂,y₂；...；I_B,y_B)中样本标签y_j为1的个数；ε是数值修正因子，经验取值为0.05；系数β通过n_A，c以及ε计算得到；QP输出层的输出为上述二次优化问题的最优解，即

S23，BQP网络由特征抽取网络和QP输出层级联组成，其功能是提取每个批次图像的特征，并对批特征向量进行数据建模，使用空间特征超球来刻画正常样本和异常样本。

2.根据权利要求1所述的一种基于BQP网络的异常检测方法，其特征在于，所述步骤S3具体为：

对于一个批次长度为B的训练批次(I₁,y₁；I₂,y₂；...；I_B,y_B)，经过卷积层、池化层、激活层和线性层，提取出B个样本图像数据的n维特征作为批次特征向量，用矩阵表示，X＝[x₁,x₂...,x_B]^T，矩阵作为QP输出层的输入。