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！

龙图腾网获悉河南省国土空间调查规划院申请的专利基于梯度噪声的动态条件扩散模型的时间序列数据异常检测方法与装置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：CN120632740B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202510850986.X，技术领域涉及：G06F18/2433；该发明授权基于梯度噪声的动态条件扩散模型的时间序列数据异常检测方法与装置是由戴立乾;时永志;韩宁;王涛;李光;饶欢;刘言东;翟丹丹;纪晓东;姬祥;祝朝辉;刘真;赵鸿燕;杜春彦;肖春静;杜翔鹤;王显峰;陆永红设计研发完成，并于2025-06-24向国家知识产权局提交的专利申请。

本基于梯度噪声的动态条件扩散模型的时间序列数据异常检测方法与装置在说明书摘要公布了：本申请的实施例涉及时间序列异常检测领域，具体涉及基于梯度噪声的动态条件扩散模型的时间序列数据异常检测方法与装置。该方法的一具体实施方式包括：确定GNDC‑DM模型；基于GNDC‑DM模型包括的趋势噪声扩散模型，对所获取的初始工业设备数据进行趋势噪声检测处理，以生成趋势降噪数据；基于GNDC‑DM模型包括的季节噪声扩散模型，对所获取的初始工业设备数据进行季节噪声检测处理，以生成季节降噪数据；基于GNDC‑DM模型包括的混合异常扩散模型，对所获取的初始工业设备数据、趋势降噪数据和季节降噪数据进行混合异常检测处理，以生成设备降噪数据。该实施方式可以使得基于重构评分的检测更加有效。

本发明授权基于梯度噪声的动态条件扩散模型的时间序列数据异常检测方法与装置在权利要求书中公布了：1.一种基于梯度噪声的动态条件扩散模型的时间序列数据异常检测方法，包括： 确定GNDC-DM模型，其中，所述GNDC-DM模型包括：趋势噪声扩散模型、季节噪声扩散模型、混合异常扩散模型； 基于所述GNDC-DM模型包括的趋势噪声扩散模型，对所获取的初始工业设备数据进行趋势噪声检测处理，以生成趋势降噪数据； 基于所述GNDC-DM模型包括的季节噪声扩散模型，对所获取的初始工业设备数据进行季节噪声检测处理，以生成季节降噪数据； 基于所述GNDC-DM模型包括的混合异常扩散模型，对所获取的初始工业设备数据、所述趋势降噪数据和所述季节降噪数据进行混合异常检测处理，以生成设备降噪数据； 其中，对所获取的初始工业设备数据进行趋势噪声检测处理，以生成趋势降噪数据，包括： 基于预设约束条件和高斯噪声，确定趋势梯度噪声，其中，趋势梯度噪声是： ， 其中，表示趋势梯度噪声，表示趋势时间序列，表示时间序列的梯度，表示的模长，表示为防止趋近零时出现除零错误而引入的微小常数，表示高斯噪声，，表示高斯噪声的模长，和表示可调超参数，分别用于控制梯度导向噪声分量和随机噪声分量的相对贡献比例； 基于预设趋势前向扩散公式，利用所述趋势梯度噪声和所述初始工业设备数据，确定目标趋势噪声数据序列，其中，预设趋势前向扩散公式是： ， 其中，表示目标趋势噪声数据序列中的第个目标趋势噪声数据，表示序号，，表示迭代次数，，，表示预设的方差调度参数，表示初始工业设备数据对应的初始趋势数据； 基于所述目标趋势噪声数据序列，确定所述趋势噪声扩散模型对应的趋势损失函数，其中，趋势损失函数是： ， 其中，表示趋势损失函数，表示期望，表示由参数参数化的去噪神经网络，表示中的参数集合； 基于预设趋势逆向生长公式，利用所述趋势噪声扩散模型和所述目标趋势噪声数据序列，确定趋势降噪数据； 其中，对所获取的初始工业设备数据进行季节噪声检测处理，以生成季节降噪数据，包括： 基于预设约束条件和高斯噪声，确定季节梯度噪声； 基于预设季节前向扩散公式，利用所述季节梯度噪声和所述初始工业设备数据，确定目标季节噪声数据序列，其中，预设季节前向扩散公式是： ， 其中，表示目标季节噪声数据序列中的第个目标季节噪声数据，表示初始工业设备数据对应的初始季节数据，表示季节梯度噪声； 基于所述目标季节噪声数据序列，确定所述季节噪声扩散模型对应的季节损失函数； 基于预设季节逆向生长公式，利用所述季节噪声扩散模型和所述目标季节噪声数据序列，确定季节降噪数据； 其中，对所获取的初始工业设备数据、所述趋势降噪数据和所述季节降噪数据进行混合异常检测处理，以生成设备降噪数据，包括： 基于预设约束条件和高斯噪声，确定混合梯度噪声； 基于预设混合前向扩散公式，利用所述混合梯度噪声和所述初始工业设备数据，确定目标混合噪声数据序列； 基于所述初始工业设备数据、所述目标混合噪声数据序列、所述趋势降噪数据对应的目标趋势噪声数据序列和所述季节降噪数据对应的目标季节噪声数据序列，确定所述混合异常扩散模型对应的混合损失函数，其中，混合损失函数是： ， 其中，表示混合损失函数，表示期望，表示初始工业设备数据对应的初始混合数据，表示由参数化的去噪神经网络，其输入为，条件变量为和，表示目标混合噪声数据序列中的第个目标混合噪声数据，表示目标趋势噪声数据序列中的第个目标趋势噪声数据，表示目标季节噪声数据序列中的第个目标季节噪声数据； 基于预设趋势季节条件，确定所述混合异常扩散模型包括的交叉注意力模型，其中，预设趋势季节条件是： ， 其中，表示预设趋势季节条件，表示权重系数， 其中，交叉注意力模型是： ， 其中，表示交叉注意力模型，表示查询向量，表示通过嵌入层将条件转换得到的，表示嵌入向量的长度，表示维度，，表示键，，表示每层交叉注意力的时序输入表征，表示值，，表示查询矩阵，表示键矩阵，表示值矩阵； 基于预设混合逆向生长公式，利用所述混合异常扩散模型和所述目标混合噪声数据序列，确定设备降噪数据。

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河南省国土空间调查规划院，其通讯地址为：450000 河南省郑州市金水区黄河路41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。