[发明专利]一种基于BQP网络的异常检测方法

摘要

本发明属于深度学习技术领域，具体涉及一种基于BQP网络的异常检测方法，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；S3，对于每一批次送入BQP网络的训练批次，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，在BQP网络中的QP输出层中构建特征超球，QP输出层输出最优对偶变量；S5，通过分类损失函数和一致性损失函数，分别对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；S6，检测时，使用特征抽取网络输出的特征向量模长与设定的阈值进行比较，实现异常检测。

主权项

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。