[发明专利]存储增强的无监督频谱异常检测方法、系统、设备、介质

说明书

本发明属于异常检测技术领域，公开了一种存储增强的无监督频谱异常检测方法、系统、设备、介质，存储增强的无监督频谱异常检测方法包括：通过编码器对内存和更新进行编码输入和生成查询；进行信号分类并引入存储模块通过一定的策略对编码器提取的特征进行存储；通过解码器，用于对输入的数据与来自内存的查询结果进行重构；基于查询结果、重构结果以及分类结果进行频谱异常检测。本在自动编码器中引入了存储模块，根据一定策略，可以对自动编码器中编码器提取的特征进行存取操作，并由解码器进行重构。本发明所提出的异常检测方法，有效减小了自动编码器中神经网络泛化性所带来的误差，从而大幅提升了无监督异常频谱检测的正确率。

技术领域

本发明属于异常检测技术领域，尤其涉及一种存储增强的无监督频谱异常检测方法、系统、设备、介质。

背景技术

目前：电磁频谱干扰的检测是昂贵且困难的过程，其中的异常可能出现在网络中的任何一个位置，并且对于他们的检测需要大规模的实时分布式检测系统。因此，自动化工具也被广泛用于电磁频谱异常的检测之中，但由于电磁频谱的复杂性和广泛的异常形式，人工标记异常是困难的，并且使用有监督方法只能处理有限数量、有限位置和有限时间段的异常。而无监督的频谱异常检测方法其使用及部署的难度相对较小。

在无监督频谱异常检测领域内，已设计了各种基于自动编码器的方案，这是一种无监督的神经网络模型，主要由两部分组成：编码器和解码器。编码器和解码器通常是两个结构对称的神经网络，其中编码器可以提取输入数据的特征，提取的结果一般称作潜变量，随后解码器对潜变量进行重构，重构的结果近似等于输入的数据。将解码器重构的结果与原始输入对比，计算其L2范数，得到的值称作重构损失。训练自动编码器的过程即最小化重构损失，从而优化编码器特征提取和解码器重构的效果，使得重构的图片与原始输入尽可能相似。通常来说，自动编码器重构的结果会尽可能接近其学习的结果，因此对于从未学习过的图片，其重构误差较大。利用自动编码器进行无监督异常检测时，在训练阶段通常只使其学习正常的信号，因此当进行检测的时候，自动编码器处理正常信号得到的重构误差较小，而处理异常信号的时候，会将其重构成相对应的正常的信号，即消除了异常信号，因此其重构损失相对较大，通过对重构损失的数值检测，即可进行异常信号的检测，并可以在检测之后，将重构后的图片与原始图片相减做差，从而定位到异常信号出现的位置。

但实际情况中，为了获取更好的特征提取及重构效果，编码器和解码器通常选择卷积神经网络结构，但由于卷积神经网络的强大的学习能力和泛化性，有时会导致在异常信号的重构过程中，会使其重构的结果接近该异常输入而非其对应的正常信号，因此重构误差较小，从而导致检测失败。

通过上述分析，现有技术存在的问题及缺陷为：现有的异常检测误差大，重构失败严重，检测失败率高，进而导致异常定位不准确。

解决以上问题及缺陷的难度为：作为当前最热门的神经网络模型之一，卷积神经网络强大的学习能力可以使得使用者有效的从数据中获取所需的内容，因此对于上述无监督异常检测中，使用了卷积神经网络结构的自动编码器在正常信号上提取特征和重构时的表现会普遍更加优秀，但也正是由于这种强大学习能力带来的泛化性，却在部分异常信号的处理上产生了负面影响，因此在保留卷积算子强大学习能力的同时减弱其本身特性带来的副作用是具有难度的。

解决以上问题及缺陷的意义为：本发明提出的存储增强的无监督异常检测方法则有效解决了上述技术问题，使得在不影响正常信号重构效果的同时，避免了异常信号被重构的现象，提升了检测成功率，并使得后续的异常信号的定位更加精准。

发明内容

针对现有技术存在的问题，本发明提供了一种存储增强的无监督频谱异常检测方法、系统、设备、介质。

本发明是这样实现的，一种存储增强的无监督频谱异常检测方法，所述存储增强的无监督频谱异常检测方法包括：