[发明专利]基于无监督学习的异常检测方法、装置及存储介质

权利要求书

1.一种基于无监督学习的异常检测方法，其特征在于，包括模型训练及模型测试；

所述模型训练，包括：

构建第一子网络，所述第一子网络包括第一编码器和第一解码器；输入原图经过所述第一子网络的第一编码器得到的第一编码特征，同时所述第一子网络重建输入的图像，得到重建图；

构建第二子网络，第二子网络包括第二编码器；所述第二子网络将所述第一子网络得到的重建图映射为一个n维变量的第二编码特征；其中，第二编码特征与第一编码特征的维度相同；

构建第三子网络，其中第三子网络作为判别网络，所述第一子网络和第二子网络作为生成网络；所述第三子网络用于区分原图和重建图；

交替训练生成网络和对抗网络时，约束原图和重建图之间的损失差值，同时约束所述第一编码特征与所述第二编码特征之间的损失差值，得到满足约束的生成模型；

所述模型测试，包括：

将待测样本输入根据所述模型训练得到的生成模型中，得到待测样本的第一编码特征与第二编码特征之间的差异；

根据所述待测样本的第一编码特征与第二编码特征之间的差异，判断待测样本是否异常。

2.如权利要求1所述的基于无监督学习的异常检测方法，其特征在于，所述第一子网络对应的第一损失函数为：

其中，表示到其数据分布，所有输入和其对应输出值的绝对值之和，为根据第一子网络得到的重建图；所述第一损失函数表征第一子函数的重建损失；

所述第二子网络对应的第二损失函数为：

；

其中，第二损失函数表示到其数据分布，所有与之间的差值的平方之和；第二损失函数用于表征经所述第一子网络得到的第一编码特征与经所述第二子网络得到的第二编码特征之间的距离；为第一子网络中的编码部分，可得到第一编码特征；为第二子网络的编码部分，可得到重建图像的第一编码特征；

所述第三子网络对应的第三损失函数为：

所述第三损失函数用于表征使用特征匹配损失进行对抗学习得到的原图与重建图之间的距离；其中，表示原始图像输入经过第三子网络得到的输出值；表示重建图经过第三子网络得到的输出值；

根据所述第一子网络、第二子网络、第三子网络得到生成网络的目标函数为：

其中，、、为对应损失函数的权重参数，模型训练时以最小化为优化目标，使模型输出的重建图满足约束，得到满足约束时的生成模型。

3.如权利要求1所述的基于无监督学习的异常检测方法，其特征在于，所述将待测样本输入根据所述模型训练得到的生成模型中，得到待测样本的第一编码特征与第二编码特征之间的差异，包括：

将待测样本输入所述生成模型中，得到待测样本的第一编码特征与第二编码特征之间的异常分数；

其中，为待测样本在第一子网络中的编码部分，可得到待测样本的原图像的第一编码特征；为待测样本在第二子网络中的编码部分，可得到重建图像的第二编码特征；

给定第一阈值，当异常分数小于第一阈值时，则待测样本正常；

当异常分数不小于第一阈值时，则待测样本异常。

4.如权利要求3所述的基于无监督学习的异常检测方法，其特征在于，

对所述异常分数进行归一化处理后得到归一化异常分数；

对于测试集，通过计算样本集中每个样本的异常分数从而得到异常分数集 ,其中，为异常分数集中第个样本的异常得分；对计算得到数据进行归一化后得到：

给定第二阈值，当归一化异常分数小于第二阈值时，则待测样本正常；

当归一化异常分数不小于第二阈值时，则待测样本异常。

5.如权利要求1所述的基于无监督学习的异常检测方法，其特征在于，所述第一编码器和第二编码器的网络结构相同。