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！

龙图腾网获悉广东工业大学申请的专利一种基于对比学习和生成对抗网络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：CN119442077B 。

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：202411308962.3，技术领域涉及：G06F18/2433；该发明授权一种基于对比学习和生成对抗网络的时间序列异常检测方法是由凌捷;吴雨露;罗玉设计研发完成，并于2024-09-19向国家知识产权局提交的专利申请。

本一种基于对比学习和生成对抗网络的时间序列异常检测方法在说明书摘要公布了：本发明属于数据异常检测技术领域，提出一种基于对比学习和生成对抗网络的时间序列异常检测方法，其步骤包括：对时间序列数据集进行预处理，进行不同域的数据增强并输入编码器得到第一潜在变量；对第一潜在变量进行对比学习，得到第二潜在变量；通过生成器和判别器对当前批次时间序列数据相应的所述第二潜在变量进行生成对抗网络训练，并根据训练得到的误差计算时间序列数据的异常分数，寻找出异常分数高于预设阈值的时间序列数据并将其标记为异常数据。相较于现有技术泛用性的不足，本发明提出了一种适用于不同场景下的时间序列异常检测方法。

本发明授权一种基于对比学习和生成对抗网络的时间序列异常检测方法在权利要求书中公布了：1.一种基于对比学习和生成对抗网络的时间序列异常检测方法，其特征在于，包括以下步骤： S1、获取WADI数据集，所述WADI数据集包括水分配系统在运行时各类传感器和设备的数据输出，将所述WADI数据集作为时间序列数据集，将时间序列数据集进行预处理并划分为若干批次，并对每个批次划分为若干时间窗口； S2、对于任一批次的时间序列数据，将其每一个时间窗口进行时间域和频域的数据增强，将数据增强后的时间序列数据输入编码器得到第一潜在变量；并基于时间域和频域对所述第一潜在变量进行对比学习，得到第二潜在变量； S3、通过生成器和判别器对当前批次时间序列数据相应的所述第二潜在变量进行生成对抗网络训练，并根据训练得到的误差计算当前批次每一窗口内每一时间序列数据的异常分数，寻找出当前批次内异常分数高于预设阈值的时间序列数据并将其标记为异常数据； S4、对下一批次的时间序列数据重复执行S2~S3步骤，直至所有批次的时间序列数据完成异常检测； 所述将其每一个时间窗口进行时间域和频域的数据增强的步骤包括： 在时间域，对时间序列数据添加高斯噪声，其表达式如下： 其中，为时间域增强后的数据，q为缩放因子，随机变量服从均值为0，方差为的正态分布；为经过预处理的时间序列数据； 在频域，对时间序列数据执行二维离散傅立叶变换获得频谱Fu,v，并将频谱表示为振幅谱和相位谱的组合，其表达式如下： 其中u=0,1,...,K-1和v=0,1,...,d-1分别表示频率的索引，K为窗口大小，d为的维度，Au,v为振幅谱，u,v为相位谱，k表示时间序列数据的维度； 分别给振幅谱Au,v和相位谱u,v添加高斯噪声，得到扰动后的频谱u,v，其表达式如下： 其中，随机变量服从均值为0，方差为的正态分布； 执行逆离散傅立叶变换将频域数据转换回时域数据，取实部作为增强后的时间序列数据，其表达式如下： 其中，为频域增强后的时间序列数据，=0,1,...,-1和=0,1,...,-1分别表示增强数据t,k的时间步和维度； 所述基于时间域和频域对所述第一潜在变量进行对比学习，包括以下步骤： 通过损失函数对当前时间窗口对应的潜在变量中的正样本对进行拉近，并推远负样本对；其中，同一时间序列数据的时间域和频域两种视图数据组合视为正样本对，与其余时间序列数据的视图数据组合视为负样本对。

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广东工业大学，其通讯地址为：510080 广东省广州市越秀区东风东路729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。