买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉暨南大学申请的专利一种面向工业互联网标识解析的时间序列异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117056699B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310818309.0，技术领域涉及：G06F18/213；该发明授权一种面向工业互联网标识解析的时间序列异常检测方法是由耿光刚;卢翼翔;刘东杰;刘志全;涂菲帆;张新常设计研发完成，并于2023-07-05向国家知识产权局提交的专利申请。

本一种面向工业互联网标识解析的时间序列异常检测方法在说明书摘要公布了：本发明公开了一种面向工业互联网标识解析的时间序列异常检测方法，包括：S1、构建时间序列异常检测模型，包括特征构建模块、特征提取模块以及结果输出模块；其中，特征构建模块，用于将时间序列数据集构造成可输入时间序列异常检测模型的数据；特征提取模块，用于提取输入数据的特征，同时将各种特征进行组合，刻画出更深层的特征；结果输出模块，合并特征提取模块的输出数据，并实现数据降维，同时防止模型在训练时过拟合，输出异常检测的二分类结果；S2、对时间序列异常检测模型进行训练；S3、将训练后的时间序列异常检测模型用于时间序列异常检测。本发明能够更精准地检测出工业互联网中的异常情况。

本发明授权一种面向工业互联网标识解析的时间序列异常检测方法在权利要求书中公布了：1.一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，包括以下步骤： S1、构建时间序列异常检测模型，包括特征构建模块、特征提取模块以及结果输出模块； 其中，特征构建模块，用于将时间序列数据集构造成可输入时间序列异常检测模型的数据；时间序列数据集具体为： 设基于网络流量的时间序列为x＝x1,x2,…,xL，其中，L为时间序列总长度，xL为时间序列中第L个探测数据； 特征构建模块具体包括构建网络流量矩阵和构建网络流量的频率矩阵； 构建网络流量矩阵具体为： 设第一个序列样本为S＝x1,x2,…,xN，其中N为每个样本中序列的长度，xN为样本序列中的第N个数据； 对数据集中的每个序列样本，采用宽度为T、步长为1的滑动窗口，将每个样本切分为长度为T的子序列，其中，第一个序列样本得到的矩阵为： 其中，H＝N-T+1，表示构造出来的网络流量矩阵St中有H条子序列，每条子序列的长度为T； 整个时间序列数据集构造成的网络流量时域矩阵为： 其中，M＝L-N+1，表示整个时间序列数据集共有M个样本； 构建网络流量的频率矩阵具体为： 针对构建的网络流量时域矩阵，进一步将该矩阵转换为频率矩阵，采用离散傅里叶变换将连续的时域信号转换为频域信号，公式为： yn＝|Xn|,n＝0,1,…,T-1 其中，xt为时域序列中第t个数据，n为频率，Xn为频率n的复平面幅值，该值需要进一步计算出模长，得到频率n的实数幅值yn；由于频率n与T-n的幅值是相等的，因此将频率大于的幅值舍去；根据以上公式，第一个网络流量时域矩阵转换成的频率矩阵为： 其中H表示构造出来的每个频率矩阵包含H条网络流量频率序列，每条频率序列的长度为F+1； 整个时间序列数据集构造成的网络流量频率矩阵为： 特征提取模块，由压缩激励网络和长短期记忆神经网络组成，该两个网络用于提取输入数据的特征，同时将各种特征进行组合，刻画出更深层的特征，输出包含时间序列规律的特征向量； 结果输出模块，由深度神经网络组成，深度神经网络包含三层神经网络结构、Dropout算法和非线性激活函数，用于合并特征提取模块的输出数据，并实现数据降维，同时防止模型在训练时过拟合，输出异常检测的二分类结果； S2、对时间序列异常检测模型进行训练； S3、将训练完毕的时间序列异常检测模型用于时间序列异常检测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人暨南大学，其通讯地址为：510632 广东省广州市天河区黄埔大道西601号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。