CN114255373B - 序列异常检测方法、装置、电子设备和可读介质 - Google Patents
序列异常检测方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN114255373B CN114255373B CN202111615986.XA CN202111615986A CN114255373B CN 114255373 B CN114255373 B CN 114255373B CN 202111615986 A CN202111615986 A CN 202111615986A CN 114255373 B CN114255373 B CN 114255373B
- Authority
- CN
- China
- Prior art keywords
- sequence
- image
- detected
- local area
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000010845 search algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种序列异常检测方法、装置、电子设备和可读介质,其中,异常序列检测方法包括:将待测序列转换为图像,得到待测序列图像;基于卷积神经网络,获取待测序列图像的第一局部区域;基于选择性搜索算法,获取待测序列图像的第二局部区域;将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到待测序列的分类结果,其中,分类结果为正常序列或异常序列。本公开先将待测序列转换成图片,采用弱监督学习方式和注意力机制,通过定位和识别完成对待测序列的异常检测,利用异常序列和正常序列在视觉上的显著特征,而不需要考虑异常序列和正常序列在统计上的差异性,从而更加准确的检测出异常的序列。
Description
技术领域
本公开涉及数据分析和计算机视觉技术领域,尤其涉及一种序列异常检测方法、装置、电子设备和可读介质。
背景技术
非平稳序列是包含趋势、季节性或周期性的时间序列。非平稳序列的异常检测则是发现不符合上述趋势、周期性的异常波动,比如在运维领域中,分析关键绩效指标(KeyPerformance Indicator,KPI)及时发现***异常、分析网络流量及时发现网络故障等,对于保障***的可靠性和稳定性有着重大的意义。
现有技术在对非稳定序列的异常检测时,通常是建立在统计模型的基础上,往往会出现异常数据不敏感、异常数据判别的“阈值”或“极限值”局限大和异常数据的场景覆盖小等问题,难以找到一个通用的算法解决大部分异常检测问题,并且检测的准确率也不高,异常数据很容易“淹没”在海量的正常数据中。
基于此,如何提高非平稳序列异常检测方法的适用性和异常检测的准确率成为了亟需解决的技术问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种序列异常检测方法、装置、电子设备及存储介质,至少在一定程度上克服由于相关技术中序列异常检测方法适用范围小和准确性低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种序列异常检测方法,包括:将待测序列转换为图像,得到待测序列图像;基于卷积神经网络,获取所述待测序列图像的第一局部区域;基于选择性搜索算法,获取所述待测序列图像的第二局部区域;将所述第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到所述待测序列的分类结果,其中,所述分类结果为正常序列或异常序列。
在本公开的一个实施例中,在所述将待测序列转换为图像之前,所述方法还包括:对所述待测序列进行滑动平均值滤波处理,具体包括:将连续的N个采样值作为一个队列,队列长度固定为N;每采集到一个新的数据时,将采集到的新数据放到队尾,并将队首的数据丢弃;将队列中的N个数据进行算术平均运算,得到所述待测序列。
在本公开的一个实施例中,所述待测序列为周期性时间序列。
在本公开的一个实施例中,所述基于卷积神经网络,获取所述待测序列图像的第一局部区域,包括:利用卷积神经网络中特征映射生成所述待测序列图像的得分图,其中,所述得分图由第一卷积层、第二卷积层和空间softmax层组成;所述第一卷积层利用64个3×3的内核和所述第二卷积层利用1个3×3的内核,生成一个单通道的置信图;所述空间softmax层作用于所述置信图,将置信得分转化为区域概率;将区域概率超过预设区域概率的区域作为所述待测序列图像的第一局部区域,获取所述待测序列图像的第一局部区域。
在本公开的一个实施例中,在所述将待测序列转换为图像之后,所述方法还包括:基于图像算法,生成所述待测序列转换成为的图像的图像金字塔;在所述图像金子塔中,选取分辨率最高的图像作为所述待测序列图像。
在本公开的一个实施例中,所述基于选择性搜索算法,获取所述待测序列图像的第二局部区域,包括:对所述待测序列图像进行图像切分,得到所述待测序列图像的区域集合;计算所述区域集合中相邻区域之间的相似度,合并相邻区域之间相似度最高的两个区域;重复执行上个步骤,直到将图像合并成所述待测序列图像的完整图像后停止;从合并过程中产生的图像里,获取所述待测序列图像的第二局部区域。
在本公开的一个实施例中,所述方法还包括:获取随机序列长度的正常序列和异常序列;将所述随机序列长度的正常序列和异常序列转换为图像,得到样本训练集;将所述样本训练集作为输入,所述样本训练集中图像的分类结果作为输出,对分类网络VGGnet进行训练,得到所述分类网络VGGnet。
根据本公开的另一个方面,提供一种序列异常检测装置,包括:序列转换图像模块,用于将经过预处理后的待测序列转换为图像,得到待测序列图像;第一区域获取模块,用于基于卷积神经网络,获取所述待测序列图像的第一局部区域;第二区域获取模块,用于基于选择性搜索算法,获取所述待测序列图像的第二局部区域;和分类结果得到模块,用于将所述第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到所述待测序列的分类结果,其中,所述分类结果为正常序列或异常序列。
在本公开的一个实施例中,上述装置还包括滑动平均滤波模块,该滑动平均滤波模块用于将连续的N个采样值作为一个队列,队列长度固定为N;每采集到一个新的数据时,将采集到的新数据放到队尾,并将队首的数据丢弃;将队列中的N个数据进行算术平均运算,得到所述待测序列。
在本公开的一个实施例中,上述第一区域获取模块具体用于利用卷积神经网络中特征映射生成所述待测序列图像的得分图,其中,所述得分图由第一卷积层、第二卷积层和空间softmax层组成;所述第一卷积层利用64个3×3的内核和所述第二卷积层利用1个3×3的内核,生成一个单通道的置信图;所述空间softmax层作用于所述置信图,将置信得分转化为区域概率;将区域概率超过预设区域概率的区域作为所述待测序列图像的第一局部区域,获取所述待测序列图像的第一局部区域。
在本公开的一个实施例中,上述装置还包括图像算法处理模块,该图像算法处理模块用于基于图像算法,生成所述待测序列转换成为的图像的图像金字塔;在所述图像金子塔中,选取分辨率最高的图像作为所述待测序列图像。
在本公开的一个实施例中,上述第二区域获取模块具体用于对所述待测序列图像进行图像切分,得到所述待测序列图像的区域集合;计算所述区域集合中相邻区域之间的相似度,合并相邻区域之间相似度最高的两个区域;重复执行上个步骤,直到将图像合并成所述待测序列图像的完整图像后停止;从合并过程中产生的图像里,获取所述待测序列图像的第二局部区域。
在本公开的一个实施例中,上述装置还包括分类网络训练模块,该分类网络训练模型用于获取随机序列长度的正常序列和异常序列;将所述随机序列长度的正常序列和异常序列转换为图像,得到样本训练集;将所述样本训练集作为输入,所述样本训练集中图像的分类结果作为输出,对分类网络VGGnet进行训练,得到所述分类网络VGGnet。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的序列异常检测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的序列异常检测方法。
本公开的实施例所提供的一种序列异常检测方法、装置、电子设备和可读介质,其中,异常序列检测方法包括:将待测序列转换为图像,得到待测序列图像;基于卷积神经网络,获取待测序列图像的第一局部区域;基于选择性搜索算法,获取待测序列图像的第二局部区域;将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到待测序列的分类结果,其中,分类结果为正常序列或异常序列。本公开通过将待测序列转换成图片,采用弱监督学习方式和注意力机制,通过定位和识别完成对待测序列的异常检测,利用异常序列和正常序列在视觉上的显著特征,而不需要考虑异常序列和正常序列在统计上的差异性。同时,不依赖于“阈值”等局限因素,从而更加准确的检测出异常的序列。
进一步,本公开在将待测序列转换成图像后,基于图像算法,构建转换图像的图像金字塔,从图像金字塔中获取分辨率最高的图像作为待测序列图像,以使待测序列的视觉特征更加明显。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种序列异常检测方法的流程图;
图2示出本公开实施例中另一种序列异常检测方法的流程图;
图3示出本公开实施例中另一种序列异常检测方法的流程图;
图4示出本公开实施例中另一种序列异常检测方法的流程图;
图5示出本公开实施例中另一种序列异常检测方法的流程图;
图6示出本公开实施例中另一种序列异常检测方法的流程图;
图7示出本公开实施例中又一种序列异常检测方法的流程图;
图8示出本公开实施例中一种滑动平均滤波处理的示意图;
图9示出本公开实施例中一种卷积算子获取关键点的示意图;
图10示出本公开实施例中一种选择性搜索算法获取局部区域的示意图;
图11示出本公开实施例中一种采集样本集的示意图;
图12示出本公开实施例中一种序列异常检测装置的结构示意图;和
图13示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
正如上述背景技术中所提到的,现有技术在对非稳定序列的异常检测时,通常是建立在统计模型的基础上,往往会出现异常数据不敏感、异常数据判别的“阈值”或“极限值”局限大和异常数据的场景覆盖小等问题,难以找到一个通用的算法解决大部分异常检测问题,并且检测的准确率也不高,异常数据很容易“淹没”在海量的正常数据中。
另外,传统的非平稳序列异常检测方法,通常需要使用差分等方法转成平稳序列或使用STL(Seasonal and Trend decomposition using Loess,时间序列分解算法)分解成残差序列,再进行异常序列分析。而这样处理往往可能会存在以下几个问题:转化的过程可能会丢失异常值与正常值差异化的特征;对异常值不敏感,若异常数据在统计层面与正常数据相差不大则很难检测出来;异常的判断通常是比较监测指标与阈值,而阈值对于不同***和不同场景,甚至不同时间都是不一样的,难以设定一个合理的阈值,能够尽可能多的覆盖异常情况。
基于此,本申请提供了一种异常序列检测方法,通过将待测序列转换成图片,采用弱监督学习方式和注意力机制,通过定位和识别完成对待测序列的异常检测,利用异常序列和正常序列在视觉上的显著特征,而不需要考虑异常序列和正常序列在统计上的差异性,更加准确的检测出异常的序列。同时,不依赖于“阈值”等局限因素,从而提高检测方法的适用性。
为了便于理解,下面首先对本公开涉及到的几个名词进行解释如下:
弱监督学习,弱监督学习是机器学习领域中的一个分支,与传统的监督学习相比,其使用有限的、含有噪声的或者标注不准确的数据来进行模型参数的训练。弱监督学习按照数据的标注程度可以分为以下三类:不完全监督、不确切监督、不准确监督。若样本中存在部分数据具有标注信息,而剩余部分则不具备有效的标注,这种为不完全监督。当数据只具有粗粒度的标签时,被称为不确切监督。不准确监督即样本虽有具有标签,但并不准确。
图像金字塔是图像中多尺度表达的一种,最主要用于图像的分割,是一种以多分辨率来解释图像的有效且概念简单的结构,图像金字塔最初用于机器视觉和图像压缩,一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图像集合。其通过梯次向下采样获得,直到达到某个终止条件才停止采样。金字塔的底部是待处理图像的高分辨率表示,而顶部是低分辨率的近似,层级越高,则图像越小,分辨率越低。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种序列异常检测方法,该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种序列异常检测方法流程图,如图1所示,本公开实施例中提供的序列异常检测方法包括如下步骤:
S102,将待测序列转换为图像,得到待测序列图像;
该步骤中,上述待测序列可以是非平稳时间序列,这里,为了提高模型的泛化能力,使得模型具有伸缩不变性,待测序列转换成图像时,由随机函数随机生成时间序列转化长度,再将待测序列转换成图像,得到待测序列图像。
S104,基于卷积神经网络,获取待测序列图像的第一局部区域;
该步骤中,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算具有深度结构的前馈神经网络,是深度学习的代表算法之一,将待测序列图像输入至预先训练好的卷积神经网络中,卷积神经网络输出待测序列图像的第一局部区域,以获取待测序列的第一局部区域。S106,基于选择性搜索算法,获取待测序列图像的第二局部区域;
该步骤中,选择性搜索算法用于为图像提供候选区域,选择性搜索算法处理过程包括目标检测和目标识别,利用选择性搜索算法处理待测序列图像,先检测待测序列图像中的目标特征,在识别待测序列图像的目标特征在图像中的位置,以获取待测序列图像中具有目标特征的第二局部区域。
S108,将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到待测序列的分类结果,其中,分类结果为正常序列或异常序列。
该步骤中,分别将第一局部区域和第二局部区域输入至分类网络VGGnet中,得到待测序列图像的多个分类结果,联立多个分类结果,设置权重,得到待测序列图像的分类结果,也即待测序列的分类结果。
本公开实施例中提供的序列异常检测方法,包括:将待测序列转换为图像,得到待测序列图像;基于卷积神经网络,获取待测序列图像的第一局部区域;基于选择性搜索算法,获取待测序列图像的第二局部区域;将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到待测序列的分类结果,其中,分类结果为正常序列或异常序列。本公开通过将待测序列转换成图片,采用弱监督学习方式和注意力机制,通过定位和识别完成对待测序列的异常检测,利用异常序列和正常序列在视觉上的显著特征,而不需要考虑异常序列和正常序列在统计上的差异性。同时,不依赖于“阈值”和“极限值”等局限因素,从而更加准确的检测出异常的序列。
在本公开的一个实施例中,在将待测序列转换为图像之前,还可以对待测序列进行滑动平均值滤波处理,参见图2所示的另一种序列异常检测方法的流程图,可以按照图2中公开的步骤对待测序列进行滑动平均值滤波处理,具体可以包括:
S202,将连续的N个采样值作为一个队列,队列长度固定为N;
该步骤中,设置队列长度为N,将连续采集的N个采样值作为一个队列,这里N可以采用不同的值,可以适用于对任意起始点、任意长度的周期性序列的异常检测识别。
S204,每采集到一个新的数据时,将采集到的新数据放到队尾,并将队首的数据丢弃;
该步骤中,根据先进先出原则,每当采集到一个新的采样值时,将采集到的采样值放在队列的队尾,并将队列的队首数据丢弃。
S206,将队列中的N个数据进行算术平均运算,得到待测序列。
该步骤中,每进行一次采样,就对队列的N个数据进行算术平均运算,计算得到一个新的平均值,从而加快了数据处理的速度,得到上述待测序列。
本公开通过对待测序列进行滑动平均值滤波处理,以有效的抑制周期性的干扰,得到滑动平均值滤波后的序列具有较高的平滑度。
在本公开的一个实施例中,上述待测序列可以为周期性时间序列。其中,周期性时间序列是呈现围绕长期趋势的一种波浪形或振荡式变动的序列。
在本公开的一个实施例中,可以参考图3公开的步骤获取第一局部区域,如图3所示的另一种序列异常检测方法的流程图,获取第一局部区域的步骤可以包括:
S302,利用卷积神经网络中特征映射生成待测序列图像的得分图,其中,得分图由第一卷积层、第二卷积层和空间softmax层组成;
该步骤中,卷积神经网络的输入层由32×32个感知点组成,用于接收上述待测序列图像,卷积神经网络还包括特征提取层和特征映射层,其中,可以利用特征映射层对待测序列图像生成得分图,该得分图由第一卷积层、第二卷积层和空间softmax层组成。
S304,第一卷积层利用64个3×3的内核和第二卷积层利用1个3×3的内核,生成一个单通道的置信图;
该步骤中,利用上述得分图中包含的第一卷积层和第二卷积层生成一个单通道的置信图,具体地,可以第一卷积层利用64个3×3的内核和第二卷积层利用1个3×3的内核,共同作用生成一个单通道的置信图。
S306,空间softmax层作用于置信图,将置信得分转化为区域概率;
该步骤中,空间softmax层作用于由第一卷积层和第二卷积层生成的置信图,可以将该置信图中包含的置信得分转化为区域概率,区域概率用于表示概率对应的区域是否为目标区域。
S308,将区域概率超过预设区域概率的区域作为待测序列图像的第一局部区域,获取待测序列图像的第一局部区域。
该步骤中,比较置信图中所有区域的区域概率与预设区域概率的大小,当某个区域的区域概率大于预设区域概率时,将该区域作为目标区域,也就是第一局部区域,并输出该区域,从而获取待测区域图像的第一局部区域。
在本公开的一个实施中,在将待测序列转换为图像之后,还可以对转换后的图像进行图像金字塔构建,从图像金字塔中选取分辨率最高的图像作为待测序列图像,参见图4公开的另一种序列异常检测方法的流程图,从图像金字塔中获取待测序列图像的步骤,可以包括:
S402,基于图像算法,生成待测序列转换成为的图像的图像金字塔;
S404,在图像金子塔中,选取分辨率最高的图像作为待测序列图像。
本公开通过基于图像算法构建待测序列转换成为的图像的图像金字塔,从图像金字塔中选取高分辨率的图像作为待测序列图像,以提高后续异常检测识别的准确率。
在本公开的一个实施中,基于选择性搜索算法,获取待测序列图像的第二局部区域的步骤,可以参考图5公开的另一种序列异常检测方法的流程图,该步骤可以包括:
S502,对待测序列图像进行图像切分,得到待测序列图像的区域集合;
该步骤中,根据选择性搜索算法,对待测序列图像进行图像切分,这里,图像切分可以是等份切分或不等份切分,整理切分后得到的待测序列图像区域,得到待测序列图像的区域集合。
S504,计算区域集合中相邻区域之间的相似度,合并相邻区域之间相似度最高的两个区域;
该步骤中,通过计算待测序列图像的区域集合中所有相邻两个区域的相似度,将相似度最高的相邻两个区域进行合并,生成新的区域。
S506,重复执行上个步骤,直到将图像合并成待测序列图像的完整图像后停止;
该步骤中,重复执行相邻区域相似计算和最高相似度区域合并的步骤,以得到合并过程中产生的新区域,在将图像合并成待测序列图像的完整图像后停止合并,这样,可以获取合并过程中产生的所有新的区域。
S508,从合并过程中产生的图像里,获取待测序列图像的第二局部区域。
该步骤中,从合并过程中产生的新区域图像里获取待测序列图像的第二局部区域。
在本公开的一个实施例中,可以参考图6中公开的步骤完成训练分类网络VGGnet得到预先训练好的分类网络VGGnet,如图6所示的另一种序列异常检测方法的流程图,该步骤可以包括:
S602,获取随机序列长度的正常序列和异常序列;
S604,将随机序列长度的正常序列和异常序列转换为图像,得到样本训练集;
S606,将样本训练集作为输入,样本训练集中图像的分类结果作为输出,对分类网络VGGnet进行训练,得到分类网络VGGnet。
本公开通过获取随机序列长度的正常序列和异常序列,将随机序列长度的正常序列和异常序列转换成图像作为样本训练集,使得训练得到的分类网络VGGnet可以对任意起始点和任意长度的周期性序列进行异常检测与识别,以提高训练模型的异常检测能力。
在本公开的一个实施例中,本公开还提供了又一种序列异常检测方法,参见图7公开的又一种序列异常检测方法的流程图,该方法可以包括如下步骤:
步骤1,获取周期性时间序列;
步骤2,对上述获取的周期性时间序列进行滑动平均滤波处理;
步骤3,将处理后的周期性时间序列转换为图像;
步骤4,利用卷积算子定位图像的关键点,利用Selective Search对图像进行细粒度特征学习;
步骤5,利用分类网络VGGnet对步骤4得到的两类特征进行联合学习,联级分类;
步骤6,异常识别,得到识别结果。
参见图8所示的一种滑动平均滤波处理的示意图,可以明显看出,步骤2在对图像进行滑动平均滤波处理后,得到处理后的图像的视觉特性更加明显,去除了处理前图像的周期性干扰,使处理后的图像具有较高的平滑度。
参见图9所示的一种卷积算子获取关键点的示意图,可以看出,步骤4利用卷积算子定位图像的关键点,卷积得到关键点的位置。
参见图10所示的一种选择性搜索算法获取局部区域的示意图,可以看出,步骤4利用Selective Search对图像进行细粒度特征学习,用Selective Search方法提取细粒度识别对象的位置。
参见图11所示的一种采集样本集的示意图,在对周期性时间序列进行滑动平均滤波处理后,获取随机长度的周期性时间序列并转换为图像,得到的图像加入样本集中,该样本集作为分类网络VGGnet训练过程中的输入,以使分类网络VGGnet对任意起始点和任意长度的周期性序列进行异常检测与识别。
本公开的又一种序列异常检测方法与上述序列异常检测方法解决的技术问题相同,且实现的技术效果也相同,此处不在一一赘述。
基于同一发明构思,本公开实施例中还提供了一种序列异常检测装置,如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图12示出本公开实施例中一种序列异常检测装置示意图,如图12所示,该装置包括:
序列转换图像模块1210,用于将经过预处理后的待测序列转换为图像,得到待测序列图像;
第一区域获取模块1220,用于基于卷积神经网络,获取待测序列图像的第一局部区域;
第二区域获取模块1230,用于基于选择性搜索算法,获取待测序列图像的第二局部区域;和
分类结果得到模块1240,用于将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到待测序列的分类结果,其中,分类结果为正常序列或异常序列。
在本公开的一个实施例中,上述装置还包括滑动平均滤波模块,该滑动平均滤波模块用于将连续的N个采样值作为一个队列,队列长度固定为N;每采集到一个新的数据时,将采集到的新数据放到队尾,并将队首的数据丢弃;将队列中的N个数据进行算术平均运算,得到待测序列。
在本公开的一个实施例中,上述第一区域获取模块1220具体用于利用卷积神经网络中特征映射生成待测序列图像的得分图,其中,得分图由第一卷积层、第二卷积层和空间softmax层组成;第一卷积层利用64个3×3的内核和第二卷积层利用1个3×3的内核,生成一个单通道的置信图;空间softmax层作用于置信图,将置信得分转化为区域概率;将区域概率超过预设区域概率的区域作为待测序列图像的第一局部区域,获取待测序列图像的第一局部区域。
在本公开的一个实施例中,上述装置还包括图像算法处理模块,该图像算法处理模块用于基于图像算法,生成待测序列转换成为的图像的图像金字塔;在图像金子塔中,选取分辨率最高的图像作为待测序列图像。
在本公开的一个实施例中,上述第二区域获取模块1230具体用于对待测序列图像进行图像切分,得到待测序列图像的区域集合;计算区域集合中相邻区域之间的相似度,合并相邻区域之间相似度最高的两个区域;重复执行上个步骤,直到将图像合并成待测序列图像的完整图像后停止;从合并过程中产生的图像里,获取待测序列图像的第二局部区域。
在本公开的一个实施例中,上述装置还包括分类网络训练模块,该分类网络训练模型用于获取随机序列长度的正常序列和异常序列;将随机序列长度的正常序列和异常序列转换为图像,得到样本训练集;将样本训练集作为输入,样本训练集中图像的分类结果作为输出,对分类网络VGGnet进行训练,得到分类网络VGGnet。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图13来描述根据本公开的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示,电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同***组件(包括存储单元1320和处理单元1310)的总线1330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1310执行,使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,上述处理单元1310可以执行上述方法实施例的如下步骤:将经过预处理后的待测序列转换为图像,得到待测序列图像;基于卷积神经网络,获取待测序列图像的第一局部区域;基于选择性搜索算法,获取待测序列图像的第二局部区域;和将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到待测序列的分类结果,其中,分类结果为正常序列或异常序列。
在本公开的一个实施例中,本公开提供的处理单元1310还用于:在将待测序列转换为图像之前,对待测序列进行滑动平均值滤波处理,包括:将连续的N个采样值作为一个队列,队列长度固定为N;每采集到一个新的数据时,将采集到的新数据放到队尾,并将队首的数据丢弃;将队列中的N个数据进行算术平均运算,得到待测序列。
在本公开的一个实施例中,本公开提供的处理单元1310还用于:利用卷积神经网络中特征映射生成待测序列图像的得分图,其中,得分图由第一卷积层、第二卷积层和空间softmax层组成;第一卷积层利用64个3×3的内核和第二卷积层利用1个3×3的内核,生成一个单通道的置信图;空间softmax层作用于置信图,将置信得分转化为区域概率;将区域概率超过预设区域概率的区域作为待测序列图像的第一局部区域,获取待测序列图像的第一局部区域。
在本公开的一个实施例中,本公开提供的处理单元1310还用于:基于图像算法,生成待测序列转换成为的图像的图像金字塔;在图像金子塔中,选取分辨率最高的图像作为待测序列图像。
在本公开的一个实施例中,本公开提供的处理单元1310还用于:对待测序列图像进行图像切分,得到待测序列图像的区域集合;计算区域集合中相邻区域之间的相似度,合并相邻区域之间相似度最高的两个区域;重复执行上个步骤,直到将图像合并成待测序列图像的完整图像后停止;从合并过程中产生的图像里,获取待测序列图像的第二局部区域。
在本公开的一个实施例中,本公开提供的处理单元1310还用于:获取随机序列长度的正常序列和异常序列;将随机序列长度的正常序列和异常序列转换为图像,得到样本训练集;将样本训练集作为输入,样本训练集中图像的分类结果作为输出,对分类网络VGGnet进行训练,得到分类网络VGGnet。
存储单元1320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)13201和/或高速缓存存储单元13202,还可以进一步包括只读存储单元(ROM)13203。
存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204,这样的程序模块13205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1340(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1300交互的设备通信,和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且,电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种序列异常检测方法,其特征在于,包括:
将待测序列转换为图像,得到待测序列图像;
基于卷积神经网络,获取所述待测序列图像的第一局部区域,所述第一局部区域是利用卷积算子对待测序列图像的关键点进行定位得到的;
基于选择性搜索算法,获取所述待测序列图像的第二局部区域,所述第二局部区域是利用选择性搜索算法对待测序列图像进行细粒度特征学习得到的;
将所述第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到所述待测序列的分类结果,其中,所述分类结果为正常序列或异常序列。
2.根据权利要求1所述的序列异常检测方法,其特征在于,在所述将待测序列转换为图像之前,所述方法还包括:对所述待测序列进行滑动平均值滤波处理,具体包括:
将连续的N个采样值作为一个队列,队列长度固定为N;
每采集到一个新的数据时,将采集到的新数据放到队尾,并将队首的数据丢弃;
将队列中的N个数据进行算术平均运算,得到所述待测序列。
3.根据权利要求1所述的序列异常检测方法,其特征在于,所述待测序列为周期性时间序列。
4.根据权利要求1所述的序列异常检测方法,其特征在于,所述基于卷积神经网络,获取所述待测序列图像的第一局部区域,包括:
利用卷积神经网络中特征映射生成所述待测序列图像的得分图,其中,所述得分图由第一卷积层、第二卷积层和空间softmax层组成;
所述第一卷积层利用64个3×3的内核和所述第二卷积层利用1个3×3的内核,生成一个单通道的置信图;
所述空间softmax层作用于所述置信图,将置信得分转化为区域概率;
将区域概率超过预设区域概率的区域作为所述待测序列图像的第一局部区域,获取所述待测序列图像的第一局部区域。
5.根据权利要求1所述的序列异常检测方法,其特征在于,在所述将待测序列转换为图像之后,所述方法还包括:
基于图像算法,生成所述待测序列转换成为的图像的图像金字塔;
在所述图像金子塔中,选取分辨率最高的图像作为所述待测序列图像。
6.根据权利要求1所述的序列异常检测方法,其特征在于,所述基于选择性搜索算法,获取所述待测序列图像的第二局部区域,包括:
对所述待测序列图像进行图像切分,得到所述待测序列图像的区域集合;
计算所述区域集合中相邻区域之间的相似度,合并相邻区域之间相似度最高的两个区域;
重复执行上个步骤,直到将图像合并成所述待测序列图像的完整图像后停止;
从合并过程中产生的图像里,获取所述待测序列图像的第二局部区域。
7.根据权利要求1所述的序列异常检测方法,其特征在于,所述方法还包括:
获取随机序列长度的正常序列和异常序列;
将所述随机序列长度的正常序列和异常序列转换为图像,得到样本训练集;
将所述样本训练集作为输入,所述样本训练集中图像的分类结果作为输出,对分类网络VGGnet进行训练,得到所述分类网络VGGnet。
8.一种序列异常检测装置,其特征在于,包括:
序列转换图像模块,用于将经过预处理后的待测序列转换为图像,得到待测序列图像;
第一区域获取模块,用于基于卷积神经网络,获取所述待测序列图像的第一局部区域,所述第一局部区域是利用卷积算子对待测序列图像的关键点进行定位得到的;
第二区域获取模块,用于基于选择性搜索算法,获取所述待测序列图像的第二局部区域,所述第二局部区域是利用选择性搜索算法对待测序列图像进行细粒度特征学习得到的;和
分类结果得到模块,用于将所述第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet,得到所述待测序列的分类结果,其中,所述分类结果为正常序列或异常序列。
9. 一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求 1~7中任意一项所述序列异常检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的序列异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615986.XA CN114255373B (zh) | 2021-12-27 | 2021-12-27 | 序列异常检测方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615986.XA CN114255373B (zh) | 2021-12-27 | 2021-12-27 | 序列异常检测方法、装置、电子设备和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255373A CN114255373A (zh) | 2022-03-29 |
CN114255373B true CN114255373B (zh) | 2024-02-02 |
Family
ID=80795286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111615986.XA Active CN114255373B (zh) | 2021-12-27 | 2021-12-27 | 序列异常检测方法、装置、电子设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255373B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837769A (zh) * | 2019-08-13 | 2020-02-25 | 广州三木智能科技有限公司 | 一种图像处理与深度学习的嵌入式远红外行人检测方法 |
CN113743607A (zh) * | 2021-09-15 | 2021-12-03 | 京东科技信息技术有限公司 | 异常检测模型的训练方法、异常检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096933B (zh) * | 2018-01-30 | 2023-07-18 | 华为技术有限公司 | 目标检测的方法、装置及*** |
-
2021
- 2021-12-27 CN CN202111615986.XA patent/CN114255373B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837769A (zh) * | 2019-08-13 | 2020-02-25 | 广州三木智能科技有限公司 | 一种图像处理与深度学习的嵌入式远红外行人检测方法 |
CN113743607A (zh) * | 2021-09-15 | 2021-12-03 | 京东科技信息技术有限公司 | 异常检测模型的训练方法、异常检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114255373A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN111060337B (zh) | 一种基于专家***的运转设备实时故障诊断方法 | |
EP3767551A1 (en) | Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device | |
CN112465049A (zh) | 异常检测模型生成方法和装置、异常事件检测方法和装置 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN111695620A (zh) | 一种电力***时间序列异常数据检测与修正方法及*** | |
CN114785606B (zh) | 一种基于预训练LogXLNet模型的日志异常检测方法、电子设备及存储介质 | |
KR102300049B1 (ko) | 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법 | |
Azzalini et al. | A minimally supervised approach based on variational autoencoders for anomaly detection in autonomous robots | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
Arul et al. | Data anomaly detection for structural health monitoring of bridges using shapelet transform | |
US9613271B2 (en) | Determining severity of a geomagnetic disturbance on a power grid using similarity measures | |
CN111008576A (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
CN115471216A (zh) | 智慧实验室管理平台的数据管理方法 | |
CN112465798A (zh) | 一种基于生成对抗网络和记忆模块的异常检测方法 | |
CN114255373B (zh) | 序列异常检测方法、装置、电子设备和可读介质 | |
CN117036732A (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
CN116740607A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN116167008A (zh) | 基于数据增强的物联感知云数据中心异常定位方法 | |
US20230267779A1 (en) | Method and system for collecting and monitoring vehicle status information | |
US20220187789A1 (en) | Equipment failure diagnosis apparatus, equipment failure diagnosis method, smart factory system and application agent | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN114662541A (zh) | 故障诊断模型构建方法、装置及电子设备 | |
Hasan et al. | Machine learning-based sensor drift fault classification using discrete cosine transform | |
CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |