[发明专利]基于局部异常数据提升全局异常检测性能的方法及系统

权利要求书

1.一种基于局部异常数据提升全局异常检测性能的方法，其特征在于，所述方法包括：

S1.确定图像数据集，从图像数据集中明确正常训练图像数据集、测试图像数据集及可收集的异常图像数据；

S2.构建双向生成对抗网络异常检测模型；

S3.将正常训练图像数据集及异常图像数据输入双向生成对抗网络异常检测模型，利用双向生成对抗网络异常检测模型学习正常训练图像数据的概率分布，最后输出图像数据判别分数；

S4.构建异常感知目标函数，将图像数据判别分数带入异常感知目标函数，更新双向生成对抗网络异常检测模型的模型参数；

S5.在双向生成对抗网络异常检测模型达到纳什均衡时，获得最优判别器和生成器的概率分布；

S6.将测试图像数据集输入双向生成对抗异常检测模型，得到重构图片，计算重构图片与其本身的重构误差；

S7.设置误差阈值，将重构误差与误差阈值相比，重构误差大于误差阈值的测试图像数据样本判别为异常样本类别；否则，判别为正常样本类别。

2.根据权利要求1所述的基于局部异常数据提升全局异常检测性能的方法，其特征在于，步骤S2所述构建的双向生成对抗网络异常检测模型包括：

编码器E，用于对图像数据进行压缩降维操作，将图像数据从原始空间压缩至低维隐含层空间，得到隐含层向量；

生成器G，用于对隐含层向量进行重构；

判别器D，用于对输入的图像数据样本所属类别进行判断区分。

3.根据权利要求2所述的基于局部异常数据提升全局异常检测性能的方法，其特征在于，步骤S3中，正常训练图像数据集输入双向生成对抗网络异常检测模型时，设正常训练图像数据集中的正常训练图像数据样本为x⁺，x⁺通过编码器E进行压缩降维操作，得到隐含层向量E(x⁺)，隐含层向量E(x⁺)再通过生成器G重构得到重构图片G(E(x⁺))；

构建隐含层先验分布，表达式为：

其中，μ和σ表示隐含层先验分布所服从的标准高斯分布的均值和方差；

从标准高斯分布中采样得到隐含层随机向量z，隐含层随机向量z通过生成器G得到生成图片G(z)；

基于正常训练图像数据样本x⁺、重构图片G(E(x⁺))、隐含层随机向量z及生成图片G(z)，构建正常数据样本对(x⁺，E(x⁺))及生成数据样本对(G(z)，z)；

将正常数据样本(x⁺，E(x⁺))对及生成数据样本(G(z)，z)对输入判别器D中得到正常图像数据判别分数D(x⁺，E(x⁺))和生成图像数据判别分数D(G(z)，z)。

4.根据权利要求3所述的基于局部异常数据提升全局异常检测性能的方法，其特征在于，步骤S3中，异常图像数据输入双向生成对抗网络异常检测模型时，设异常训练图像数据样本为x^-，x^-通过编码器E进行压缩降维操作，得到隐含层向量E(x^-)，隐含层向量E(x^-)再通过生成器G重构得到重构图片G(E(x^-))；

基于异常训练图像数据样本x^-、重构图片G(E(x^-))，构造异常数据样本对(x^-，E(x^-))，将异常数据样本对(x^-，E(x^-))输入判别器D中得到异常图像数据判别分数D(x^-，E(x^-))。