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！

摘要：本发明公开了基于离群点暴露的时尚品异常检测方法，涉及深度网络异常检测技术领域，其技术要点为：提出一种新的具有时尚品异常暴露的深度支持向量数据描述时尚品异常检测方法，该方法旨在最小化包含时尚品正类样本特征区域的封闭超球体，同时把优化的时尚品异常暴露集特征控制在封闭超球体之外，同时构造和优选了时尚品异常暴露集参与异常检测建模，大大缩小现有时尚品异常检测方法把异常时尚品样本特征映射入正常时尚品样本特征领域的风险。

主权项：1.基于离群点暴露的时尚品异常检测方法，其特征是：所述方法为具有时尚品异常暴露OE的深度支持向量数据描述时尚品异常检测方法DSVDD-OE，所述DSVDD-OE为利用神经网络来学习正常时尚品和暴露数据集的分布变化，提取时尚品图像特征，同时最小化网络包含所有时尚品样本的超球表示的体积；任何落在估计边界超球之外的样本都被认为是异常时尚品；在输入空间时尚品空间χ∈Rd上给定训练正态训练时尚品数据Din＝{x1,…,xm}，Dout＝{x1,…,xn}，其中，m和n分别表示正常时尚品和离群暴露时尚品样本的数量，输出空间χ∈Rd，连接权值为W＝{W1,W2,…,WL}；φx；W表示深度网络提供参数的映射数据；方法目标可以表述如下式所示 其中v和μ为系数；优化函数的主要目标是最小化超球的半径R，而第二项是考虑正常类落入超球外的样本损失，从而平衡体积和边界损失；第三项是异常类落入超球内的样本损失；初始化网络权值W后，将超球中心c固定为训练数据初始前向传输得到的网络表示的均值，通过反向传播算法优化更新；此外，引入了一个带超参数λ＞0的正则化项来控制网络权值W的衰减；与DSVDD类似，将异常分数定义为使用参数进行函数映射后从超球半径到超球中心的距离的组合，形式上给定一个样本，异常分数可表示为：sx＝R2-||φxi；W-c||2与DSVDD算法不同，提出的模型找到最优决策阈值sx≥δ，若δ大于则视为正常数据，反之则为异常数据，任何落在这个估计的边界超球之外的样本都被认为是异常；将离群暴露时尚品样本纳入损失函数，从而防止了DSVDD遇到的超球坍缩，对于目标函数优化中使用的反向传播算法，可以将深度网络架构设置为前馈神经网络，给定一组正态样本xi,y+,≤i≤M，一组负态样本xj,y-,≤j≤N，使用前馈神经网络的输出目标为φxi；W，优化公式如下： 用下面的公式定义J1,J2,J3，其中 令LinW,R,c＝||φxi；W||2-R2，可得： 其中，m1,m2,…,mM是使函数LinW,R,c,x,y+＞0的M个正样本的索引，n1,n2,...,nM是使函数LinW,R,c,x,y-＜0的M′个负样本的索引；为了最小化目标函数，使用梯度下降方法，具体参数更新如下所示同理可得： 其中，α是模型的学习率，由于参数R和c都是仅出现在最后一层的叶子节点，因此只需对进行链式求导，该模型的前馈神经网络的信息传播公式为：zl＝Wl.al-1，al＝flzl，对于第l层，我们定义一个误差项为总目标函数关于第l层神经元zl的偏导数，来表示第l层神经元对最终误差的影响，因此，第l层误差项计算公式为：

全文数据：

权利要求：

百度查询： 南京审计大学 基于离群点暴露的时尚品异常检测方法