[发明专利]基于邻域样本特征对比学习的时序数据异常点监测方法

权利要求书

1.一种基于邻域样本特征对比学习的时序数据异常点监测方法，其特征在于，包括：

步骤S1，对输入的样本进行特征组合；

步骤S2，学习样本x的非线性特征；

所述步骤S2包括：获取样本x，根据多层感知器学习所述样本x的非线性特征h_x＝tanh(w₁x')；

步骤S3，获取正样本x⁺的嵌入表示线性特征；

步骤S4，获取负样本x^-的嵌入表示线性特征；

步骤S5，学习所述正样本x⁺与所述负样本x^-对比中的特征参数；

步骤S6，计算新样本s的类别标签分类概率

步骤S7，根据所述类别标签分类概率标注所述新样本s是否为异常样本；

步骤S8，若所述类别标签分类概率大于或等于0.5，标注所述新样本s为正常样本；若所述类别标签分类概率小于0.5，标注所述新样本s为异常样本。

2.根据权利要求1所述的基于邻域样本特征对比学习的时序数据异常点监测方法，其特征在于，所述步骤S1包括：

设定样本特征x；

对所述样本特征x进行[0,1]区间归一化；

归一化后的样本特征为

根据所述样本特征x与均值μ计算离差|x-μ|；

将作为样本x的输入特征。

3.根据权利要求2所述的基于邻域样本特征对比学习的时序数据异常点监测方法，其特征在于，所述步骤S3包括：

初始化向量查询表w₂，随机初始化每个样本的向量表示，其中w₂为可学习的参数矩阵；

对所述样本x的δ邻域窗口区间[x-δ,x+δ]内的相似样本x₁,x₂,...,x_n的样本特征x'₁,x'₂,...,x'_n进行求和平均，生成正样本x⁺，其中δ＝0.001；

对于正样本x⁺，根据所述向量查询表w₂，获取所述正样本x⁺的嵌入表示线性特征

4.根据权利要求3所述的基于邻域样本特征对比学习的时序数据异常点监测方法，其特征在于，所述步骤S4包括：

根据负样本集N_b进行采样获得负样本x^-，所述负样本集N_b不在所述δ邻域窗口区间[x-δ,x+δ]内；

根据初始化后的向量查询表w₂，获取所述负样本x^-的嵌入表示线性特征

5.根据权利要求4所述的基于邻域样本特征对比学习的时序数据异常点监测方法，其特征在于，所述步骤S5包括：

根据初始化后的向量查询表w₂，获取所述样本x的嵌入表示线性特征v_x，将所述样本x的嵌入表示线性特征v_x与所述样本x的非线性特征h_x拼接成为特征v_x′；

基于预测样本的类别标签，通过损失函数优化权重参数q和权重参数b；

通过损失函数最小化所述样本x与所述正样本x⁺之间的特征距离，而且最大化所述样本x与所述负样本x^-之间的特征距离，其中f函数为余弦相似度函数；

通过多任务联合损失函数L₁+L₂，学习特征参数。

6.根据权利要求5所述的基于邻域样本特征对比学习的时序数据异常点监测方法，其特征在于，所述步骤S6包括：

对于新样本s，根据学习到的权重参数w₁、权重参数q和权重参数w₂，基于计算所述新样本s的类别标签分类概率