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！

申请/专利权人：江苏大学

摘要：本发明公开一种基于邻域原子增强的深度字典学习在异常检测中的应用方法，包括以下步骤：1.构建多尺度特征提取深度字典网络用于进行训练获取待测样本中的全局特征；2.对数据进行预处理；3.对预处理后的数据进行多维特征提取；4.利用k‑means算法分割样本，构造样本的近邻流形，计算图的权重矩阵；5在邻域流形内局部建模，获取数据点之间的自表达关系，收集自表达信息用于加权字典原子的更新，学习局部特征；6.通过自适应图学习模块对数据进一步处理，增强局部特征；7.将多个层次的特征表示进行融合，获得最终的特征表示；8.使用SVM进行分类，识别和输出异常检测结果。该方法在捕捉数据局部结构和动态变化方面表现优越，显著提高了异常检测的准确率，克服了现有技术的不足。

主权项：1.一种基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，包括以下步骤：步骤1、获取待测样本图像I0，将其输入构建好的深度字典学习网络进行训练，获得待测样本图像I0的多尺度的全局特征；深度字典学习网络包括有不同规模的三层字典网络，通过这三层字典网络学习提取不同尺度的特征；步骤2、对于步骤1中的待测样本图像I0，对其进行预处理，预处理归一化、数据增强和主成分分析PCA去除冗余信息，得到重构后的原始特征；步骤3、对重构后的原始特征进行多维特征提取，并使用滑动窗口分段方法来标注动态变化的数据点，对滑动窗口内的数据计算均值特征、标准差特征、最值特征和频域特征；步骤4、对于步骤3分割后所得特征图，利用k-means聚类法来分割样本数据，构造样本周围的邻域流形，计算分割后特征图的权重矩阵W和拉普拉斯矩阵L；步骤5、图的权重矩阵W包含有邻域流形结构信息，在该邻域流形内部局部建模，获取数据点之间的自表达关系，同时将收集到的自表达信息用于加权字典原子进行更新，更新后的字典学习网络通过获取得到待测样本中的局部特征；步骤6、构建自适应图学习模块，通过自适应图适应模块对邻域流形的局部建模进行图的更新，增强步骤5所得局部特征；所述自适应图学习模块堆叠有M个学习块，每个学习块均捕捉局部特征和部分图结构的特征，堆叠M个学习块逐渐将这些局部特征整合为更高层次、更抽象的特征表示；步骤7、重复步骤5和步骤6，迭代优化生成的字典及稀疏表示确保得到足够精准的局部特征；步骤8、整合步骤1所得全局特征和步骤7所得局部特征，将不同层的特征表示进行融合，得到最终的特征表示；步骤9、将融合后的特征表示输入到SVM分类器中进行训练，SVM通过找到最大间隔超平面，将正常数据和异常数据进行区分；步骤10、根据SVM分类器的筛选输出分类结果，识别并标记异常数据点。

全文数据：

权利要求：

百度查询： 江苏大学 基于邻域原子增强的深度字典学习在异常检测中的应用方法