[发明专利]基于多时间尺度深度卷积生成对抗网络的异常检测方法

权利要求书

1.一种基于多时间尺度深度卷积生成对抗网络的异常检测方法，其特征在于，包括以下步骤：

步骤1，获取训练样本集；所述训练样本集由多个正常样本组成；所述训练样本集中每个训练样本的获取方式为：

步骤1.1，获取被检测设备正常工况时的n维时间序列X＝(X₁,X₂,...,X_n)，其中，X₁,X₂,...,X_n分别代表：第1维时间序列，第2维时间序列,…,第n维时间序列；

步骤1.2，设定滑动窗口长度为w，得到滑动窗口长度为w时的引入遗忘机制的格拉姆矩阵S^t(w)，方法为：

步骤1.2.1，使用长度为w的滑动窗口，从X₁,X₂,...,X_n中各取出时间步t时的长度为w的子序列，得到n个子序列，表示为：其中，X_t代表时间步t时的n个子序列的集合；分别代表：时间步t时的第1维子序列，第2维子序列,…,第n维子序列；

步骤1.2.2，采用下式，得到滑动窗口长度为w时的引入遗忘机制的格拉姆矩阵S^t(w)：

其中：

滑动窗口长度为w时的引入遗忘机制的格拉姆矩阵S^t(w)，为n行n列矩阵，矩阵中任意元素表示为：其中，i＝1,2,...,n，j＝1,2,...,n，采用下式计算：

其中：

k为缩放因子，k的值和滑动窗口长度w保持一致；

含义为：时间步t时的第i维子序列和时间步t时的第j维子序列相乘；

对于时间步t时的第i维子序列中各元素在子序列的位置分别为：第w-1位置，第w-2位置,…,第0位置；时间步t时的第i维子序列中的任意元素表示为：其中，δ＝0,1,...,w-1；

对于时间步t时的第j维子序列中各元素在子序列的位置分别为：第w-1位置，第w-2位置,…,第0位置；时间步t时的第j维子序列中的任意元素表示为：

代表时间步t时的第i维子序列中的元素的权重值，其中，α为底数，值1，代表元素在时间步t时的第i维子序列中的位置值；

代表时间步t时的第j维子序列中的元素的权重值，代表元素在时间步t时的第j维子序列中的位置值；

步骤1.3，改变滑动窗口长度w的值，假设将滑动窗口长度w的值设定为w₁、w₂和w₃，则分别得到对应的引入遗忘机制的格拉姆矩阵S^t(w₁)、S^t(w₂)和S^t(w₃)；

对n维时间序列X＝(X₁,X₂,...,X_n)进行计算，得到对应的引入遗忘机制的格拉姆矩阵S^t(w₀)，其中，w₀为n维时间序列X＝(X₁,X₂,...,X_n)中每个时间序列包括的元素个数，同时也为采用的滑动窗口长度w的值；

步骤1.4，将S^t(w₁)、S^t(w₂)、S^t(w₃)和S^t(w₀)进行拼接，得到一个训练样本；

步骤2，采用所述训练样本集，对异常检测模型进行训练，得到训练完成的异常检测模型；其中，所述异常检测模型采用对抗网络；

步骤3，构建由正常样本和异常样本组成的测试样本集；采用所述测试样本集，对所述训练完成的异常检测模型进行测试，得到阈值T的最优值T_opt；

步骤4，采用训练完成的异常检测模型和最优值T_opt，对被检测设备进行异常检测。