[发明专利]一种基于生成对抗网络的困难异常样本检测框架

权利要求书

1.一种基于生成对抗网络的困难异常样本检测框架，其特征是，包括有以下步骤：

对原始数据进行预处理以转化进行模型计算；

建立生成对抗网络，建立有用于生成数据的生成模型、对真实数据和生成数据进行判别的第一判别模型、对生成数据中正常样本数据与异常样本数据进行判别的第二判别模型，并进行训练直至模型收敛；

预训练一个能学习到生成的数据中异常样本数据和正常样本数据分布的基模型，通过学习迁移法使用真实数据对基模型进行微调获得异常检测模型；

通过异常检测模型进行测试集数据预测并进行模型评估，通过异常检测模型进行真实数据的困难异常样本的检测分类。

2.根据权利要求1所述的基于生成对抗网络的困难异常样本检测框架，其特征是，生成对抗网络的建立具体为：

采用双层LSTM模型分别建立生成模型、第一判别模型及第二判别模型；

从生成模型生成的数据中抽取M个样本，并从真实数据中抽取M个样本，计算下式用随机梯度提成更新第一判别模型：

并计算下式用随机梯度下降更新生成模型：

从生成模型生成的数据中抽取M个异常样本和正常样本，计算下式用随机梯度提升更新第二判别模型：

通过计算下式再用随机梯度下降更新生成模型：

设定收敛阈值，未收敛时增加样本数量并重复上述步骤再次更新模型，直至模型收敛。

3.根据权利要求2所述的基于生成对抗网络的困难异常样本检测框架，其特征是，异常检测模型的获取具体为：

采用双层LSTM模型作为进行分类的基模型，控制生成模型生成的异常样本数据和正常样本数据的比例，通过生成模型生成的数据对基模型进行训练直至基模型收敛；

基模型包括有特征提取层和softmax层，保持基模型中特征提取层参数不变，保留预训练中学习的异常样本数据和正常样本数据分布知识；将真实数据作为输入对基模型的softmax层进行重新训练，以将预训练学习到的知识迁移到困难异常样本的检测模型中，获得异常检测模型。

4.根据权利要求3所述的基于生成对抗网络的困难异常样本检测框架，其特征是，异常检测模型的模型评估具体为：

通过获得的异常检测模型对测试集中的正常样本数据和异常样本数据进行预测分类，获得预测分类结果；

对全部样本的分类预测结果通过设定的指标进行模型评估，包括有

准确率：

召回率：

误判率：

其中，TP：模型将异常样本判定为异常的数量；FP：模型将正常样本判定为异常的数量；FN：模型将异常样本判定为正常的数量；TN：模型将正常样本判定为正常的数量。