【技术实现步骤摘要】
本专利技术涉及异常检测，具体是指一种基于多层次动态分析的智能检测预警方法。
技术介绍
1、检测预警方法是一类结合了人工智能算法和传统监测手段，用于对复杂系统或环境中的异常、故障、风险等进行提前预警和检测的方法。这类方法能够通过自动化分析大量数据，识别潜在的风险和异常情况，给出早期警告，从而为系统运行提供保护并提高系统的可靠性。但是一般检测预警方法存在采用随机或固定的样本集进行训练进而导致训练单一，无法适应检测预警模型的复杂运行环境，对边界处数据的预测能力弱导致检测精度不足的问题；一般检测预警方法存在对模型参数调整时收敛速度慢，无法有效控制优化方向，无法保持全局搜索的有效性，进而导致模型无法高效地捕捉到关键特征并发出精准的预警信号的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于多层次动态分析的智能检测预警方法，针对一般检测预警方法存在采用随机或固定的样本集进行训练进而导致训练单一，无法适应检测预警模型的复杂运行环境，对边界处数据的预测能力弱导致检测精度不足的问题，本方案通过迭代选择有信息的样本，并结合加权采样策略，在减少样本的情况下提升异常检测精准性，采样策略专注于潜在极限状态边界附近的样本，能够显著提高模型对故障边界的识别能力，通过迭代采样策略和收敛性检查，有效防止模型过度依赖初始数据，避免传统方法中容易出现的过拟合或欠拟合问题，实现了高效准确预警；针对一般检测预警方法存在对模型参数调整时收敛速度慢，无法有效控制优化方向，无法保持全局搜索的有
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于多层次动态分析的智能检测预警方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：建立智能检测预警模型；
6、步骤s4：基于多层次动态分析的智能检测预警。
7、进一步地，在步骤s1中，所述数据采集是采集多层次动态数据；所述多层次动态数据包括物理层数据、模型层数据、功能层数据、安全层数据和状态类型；状态类型包括状态正常和状态异常；将状态类型作为数据标签。
8、进一步地，在步骤s2中，所述数据预处理是对采集的数据进行数据清洗、数据转换和数据集划分；所述数据清洗是对缺失值、重复值和异常值处理；所述数据转换是将数据转换为向量形式并进行标准化处理；所述数据集划分是通过原数据的原始概率分布生成包含nmc个样本的蒙特卡罗总体，作为初始候选样本，表示为：；使用均匀采样进行初步选择，权重系数为，得到数据集，并划分为测试集和训练集；式中，smc是生成的蒙特卡罗样本集，是第i个样本，是原始概率分布值。
9、进一步地，在步骤s3中，所述建立智能检测预警模型具体包括以下步骤：
10、步骤s31：初始训练；利用训练集训练编码器结构的aae-sdr神经网络；aae-sdr神经网络包括编码器和解码器，通过编码器损失函数优化，表示为：；初步生成潜在空间中的潜在表征，并学习潜在极限状态函数；式中，lae是编码器损失函数，x是输入数据，是编码器函数，是解码器函数；
11、步骤s32：样本识别；使用初始训练好的aae-sdr神经网络识别错误分类的样本，错误分类的样本是在潜在极限状态函数中被预测错误的样本，表示为：；基于潜在表征到潜在极限状态边界的距离选择候选样本，表示为：；式中，是预测标签；error是错误分类，y是真实标签，是筛选后的样本集，k是收敛系数，τ是当前训练次数，lsf是极限状态函数，d(·)是欧氏距离，是从潜在失效样本到极限状态边界的最大允许距离；
12、步骤s33：加权采样；从候选样本中通过加权采样选择样本，权重系数基于样本潜在表征的概率密度，表示为：；式中，是针对潜在表征z的加权概率，p(z)是潜在表征z的概率密度函数；
13、步骤s34：模型训练；使用更新后的数据集重新训练aae-sdr神经网络，每次训练完成后返回步骤s32；
14、步骤s35：估算失效概率；通过aae-sdr神经网络预测蒙特卡罗总体中每个样本的极限状态函数值，并估算失效概率，所用公式如下：
15、；
16、式中，是估算的失效概率；i[·]是指示函数；nmc是样本数量；
17、步骤s36：收敛性检查；验证相邻迭代中的失效概率之间的相对差异，当相对差异小于预定的阈值ecr时，智能检测预警模型训练完成，若训练完成的智能检测预警模型对测试集的分类正确率高于正确率阈值，则智能检测预警模型建立完成，否则重新划分数据集并转至步骤s37调整模型参数；所用公式如下：
18、；
19、式中，和分别是第τ次和第τ-1次训练时的失效概率；是相对差异；
20、步骤s37：调整模型参数；具体包括：
21、步骤s371：基于距离阈值、收敛系数、截断分布参数、收敛阈值和aae-sdr神经网络初始参数建立参数优化空间；随机初始化搜索种群中个体位置，将基于个体位置训练的智能检测预警模型对测试集的预测正确率作为个体适应度值；
22、步骤s372：位置更新；所用公式如下：
23、；
24、式中，和分别是第t+1次和第t次迭代时第i1个体第j维度的位置；β0是控制引力强度的常数；μ是衰减系数，r是第j维度当前个体与全局最优解之间的距离；是第t次迭代第j维度全局最优位置；是第i1个体适应度值；rand是0-1的随机数；
25、步骤s373：定义重要性分数；所用公式如下：
26、；
27、式中，ft+1和ft分别是第t+1次迭代和第t次迭代时种群的重要性分数；pn是种群中个体数量；是第i1个体第t次迭代时的历史最高适应度值；是种群平均适应度值；
28、步骤s374：计算重载比例；预先设有重要性阈值，当种群重要性分数低于重要性阈值时，基于重载比例对种群低适应度值个体进行重新初始化个体位置；计算重载比例所用公式如下：
29、；
30、式中，pp是重载比例；ppmin是最小重载比例；ppmax是最大重载比例；
31、步骤s375：搜索判定；预先设有适应度阈值，当存在个体适应度值高于适应度阈值时，得到基于个体位置建立的智能检测预警模本文档来自技高网...
【技术保护点】
1.一种基于多层次动态分析的智能检测预警方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤S3中，所述建立智能检测预警模型具体包括以下步骤：
3.根据权利要求2所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤S37中，所述调整模型参数具体包括：
4.根据权利要求1所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤S2中，所述数据清洗是对缺失值、重复值和异常值处理；所述数据转换是将数据转换为向量形式并进行标准化处理；所述数据集划分是通过原数据的原始概率分布生成包含NMC个样本的蒙特卡罗总体，作为初始候选样本，表示为：；使用均匀采样进行初步选择，权重系数为，得到数据集，并划分为测试集和训练集；式中，SMC是生成的蒙特卡罗样本集，是第i个样本，是原始概率分布值。
5.根据权利要求1所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤S1中，所述多层次动态数据包括物理层数据、模型层数据、功能层数据、安全层数据和状态类型；
6.根据权利要求1所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤S4中，所述基于多层次动态分析的智能检测预警是基于建立完成的智能检测预警模型，实时采集物理层数据、模型层数据、功能层数据和安全层数据，经预处理后输入至智能检测预警模型，若智能检测预警模型输出的状态类型为状态异常，则进行预警处理。
...【技术特征摘要】
1.一种基于多层次动态分析的智能检测预警方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤s3中，所述建立智能检测预警模型具体包括以下步骤：
3.根据权利要求2所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤s37中，所述调整模型参数具体包括：
4.根据权利要求1所述的一种基于多层次动态分析的智能检测预警方法，其特征在于：在步骤s2中，所述数据清洗是对缺失值、重复值和异常值处理；所述数据转换是将数据转换为向量形式并进行标准化处理；所述数据集划分是通过原数据的原始概率分布生成包含nmc个样本的蒙特卡罗总体，作为初始候选样本，表示为：；使用均匀采样进行初步选...
【专利技术属性】
技术研发人员：涂锦波，施文铮，刘晓敏，陈少煌，梁志超，柯葳彬，林淮矿，
申请(专利权)人：白鸽在线厦门网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。