[发明专利]基于最大相关熵深度神经网络单分类器异常检测方法

摘要

本发明公开了一种基于最大相关熵深度神经网络单分类器异常检测方法。本发明实现如下：输入只包含正常类的训练数据集；输入样本数据经过多层ELM‑AE自编码器编码和解码处理，得到重构的特征值；将重构的特征值输入最后一层ELM，基于最大相关熵准则的目标函数求得输出权值，结合定点迭代更新的梯度推导被用于输出权重的优化，并得到实际输出；然后，得到实际输出与输出标签的距离误差向量，并从大到小排列，根据设置的阈值参数，确定分隔正常类和异常类的阈值；最后，将测试数据输入到该基于最大相关熵的深层神经网络单分类器模型中，测试该模型的识别效果。本发明有较强鲁棒性。结合超限学习机保留其快速的学习性能和良好的泛化性能。

主权项

1.基于最大相关熵深度神经网络单分类器异常检测方法，其特征在于包括如下步骤：步骤1、输入只包含正常类的训练样本集，进行特征归一化；步骤2、提取归一化后的训练样本的特征，即将训练样本经过多层ELM‑AE自编码器编码和解码处理，得到重构的特征值；步骤3、计算分类学习的输出权重β，将重构的特征值输入最后一层ELM，基于最大相关熵准则的目标函数求得输出权值β，结合定点迭代更新的梯度推导优化网络输出权重，并得到实际输出；步骤4、计算单分类器阈值θ，计算实际输出与样本标签的误差距离，并将得到的误差距离进行从大到小排序，根据设置的阈值参数，确定分隔正常类和异常类的阈值；步骤5、输入测试数据进行测试，将测试数据输入到基于最大相关熵的深层神经网络单分类器模型中，测试该模型的识别效果；其中，测试数据包含正常类和异常类。