(12)发明专利申请
(10)申请公布号 CN 112597831 A(43)申请公布日 2021.04.02
(21)申请号 202011448726.3(22)申请日 2021.02.22
(71)申请人 杭州安脉盛智能技术有限公司
地址 310000 浙江省杭州市滨江区西兴街
道阡陌路482号智慧e谷B座17层(72)发明人 胡芬 董云成 古胜达 楼阳冰
张志勇 (74)专利代理机构 杭州杭诚专利事务所有限公
司 33109
代理人 尉伟敏(51)Int.Cl.
G06K 9/00(2006.01)G06T 7/00(2017.01)G06T 9/00(2006.01)G06T 5/00(2006.01)
权利要求书2页 说明书4页 附图1页
G06F 17/15(2006.01)
CN 112597831 A(54)发明名称
一种基于变分自编码器和对抗网络的信号异常检测方法(57)摘要
本发明公开了一种基于变分自编码器和对抗网络的信号异常检测方法，包括：获取时序信
作号，转换为频域图像；对频域图像进行预处理，
为目标图像；建立基于变分自编码器以及生成对抗网络的组合网络；输入目标图像至组合网络，并提取输出；计算组合网络的损失函数以及损失函数梯度，训练组合网络；检测组合网络目标图像的编码有无异常。本发明的有益效果为：1.通过将时序信号转换为频域图像来处理，检测结果更为直观简单；2.组合网络融合了变分自编码器以及生成对抗网络，在判别的同时能对噪声有鲁棒性；3.通过损失函数来训练组合网络，组合网络的损失能降到最小。
CN 112597831 A
权 利 要 求 书
1/2页
1.一种基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，包括：获取时序信号，转换为频域图像；对频域图像进行预处理，作为目标图像；
建立基于变分自编码器以及生成对抗网络的组合网络；输入目标图像至组合网络，并提取输出；
计算组合网络的损失函数以及损失函数梯度，训练组合网络；检测组合网络目标图像的编码有无异常。
2.根据权利要求1所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述对频域图像进行预处理包括图像增强处理、图像去噪处理和图像切片处理。
3.根据权利要求2所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述图像增强处理包括直方图均衡和/或图像亮度调整。
4.根据权利要求1或2所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述组合网络包括生成器、编码器、解码器和判别器，所述生成器、编码器、解码器以及判别器依次连接。
5.根据权利要求4所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述提取输出包括编码器输出编码z、生成器输出图像x’和判别器输出判断d。
6.根据权利要求5所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述损失函数包括先验分布损失Ldist、图像相似度损失Llike和GAN损失LGAN。
7.根据权利要求6所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述先验分布损失计算式为
Ldist＝KLD(q(z|x)||p(z))其中，q(z|x)为输入x通过编码器后编码z的后验概率，p(z)为先验假设N(0，1)的正态分布，KLD为相对熵；
所述图像相似度损失计算式为Llike＝‑Eq(z|x)[P(x|z)]其中，P(x|z)为z通过解码器解码后的x的分布；所述GAN损失计算式为
其中，D(x)为判别器的输出，Pdata为样本采样。
8.根据权利要求7所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述损失函数梯度包括编码器梯度θ解码器梯度θθEnc、Dec和判别器梯度Dis。
9.根据权利要求8所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述编码器梯度计算式为
所述解码器梯度计算式为
2
CN 112597831 A
权 利 要 求 书
2/2页
所述判别器梯度计算式为
10.根据权利要求5所述的基于变分自编码器和对抗网络的信号异常检测方法，其特征在于，所述检测组合网络目标图像的编码有无异常具体过程包括：
检测组合网络目标图像经编码器编码后的多维向量；若识别到异常，则发出报警。
3
CN 112597831 A
说 明 书
1/4页
一种基于变分自编码器和对抗网络的信号异常检测方法
技术领域
[0001]本发明涉及计算机视觉算法技术领域，尤其涉及到一种基于变分自编码器和对抗网络的信号异常检测方法。
背景技术
[0002]数字信号实时准确地剔除异常是十分必要的，信号分析的异常检测方法基本是基于特征提取及阈值分类的方式，针对形态多样的异常信号需要定制化相应检测算法，模型普适性较差。基于深度学习的视觉缺陷识别技术为提高模型普适应提供的技术基础，因此，将信号转成图像数据，基于深度学习方法进行缺陷检测提供了新思路。
[0003]如中国专利公开号为CN111767930A的一种物联网时序数据异常检测方法及其相关设备，增加了针对不同类型信号的自动模型选择模块，消除了信号的周期、趋势、噪声、数据孤岛等不稳定性因素的影响，即针对不同类型信号设置了模型选择操作，这样，确定模型后的信号再进行节点的异常检测，使得异常检测结果更加准确，从而提高了异常检测的通用性和对不稳定序列的兼容性，并提高了检测效率，提高了异常检测精度。然而，该专利对于异常信号检测较为复杂。
发明内容
[0004]本发明要解决的技术问题是：目前对于异常信号的检测方法大多较为复杂，提供了一种基于变分自编码器和对抗网络的信号异常检测方法。[0005]为解决上述技术问题，本发明所采取的技术方案如下：
一种基于变分自编码器和对抗网络的信号异常检测方法，包括：获取时序信号，转换为频域图像；对频域图像进行预处理，作为目标图像；
建立基于变分自编码器以及生成对抗网络的组合网络；输入目标图像至组合网络，并提取输出；
计算组合网络的损失函数以及损失函数梯度，训练组合网络；检测组合网络目标图像的编码有无异常。
[0006]将时序信号转换为频域图像来处理，检测结果更为直观简单；计算损失函数以及损失函数梯度，使用梯度下降的优化算法来训练，能够将损失降到最小；采用变分自编码器，结果能够对噪声有鲁棒性。[0007]作为优选，所述对频域图像进行预处理包括图像增强处理、图像去噪处理和图像切片处理。通过图像增强、去噪以及切片来排除干扰以及优化特征，图像处理更为使捷精准。
[0008]作为优选，所述图像增强处理包括直方图均衡和/或图像亮度调整。可以采用直方图均衡，可以采用图像亮度调整，也可以是两者都有。[0009]作为优选，所述组合网络包括生成器、编码器、解码器和判别器，所述生成器、编码
4
CN 112597831 A
说 明 书
2/4页
器、解码器以及判别器依次连接。生成器生成数据传输到编码器，编码后再解码，再由判别器判断。
[0010]作为优选，所述提取输出包括编码器输出编码z、生成器输出图像x’和判别器输出判断d。输出数据用于计算损失函数。[0011]作为优选，所述损失函数包括先验分布损失Ldist、图像相似度损失Llike和GAN损失 LGAN。损失函数是用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好，在组合网络中能帮助训练。[0012]作为优选，所述先验分布损失计算式为
Ldist＝KLD(q(z|x)||p(z))其中，q(z|x)为输入x通过编码器后编码z的后验概率，p(z)为先验假设N(0，1)的
正态分布，KLD为相对熵；
所述图像相似度损失计算式为Llike＝‑Eq(z|x)[P(x|z)]其中，P(x|z)为z通过解码器解码后的x的分布；所述GAN损失计算式为
其中，D(x)为判别器的输出，Pdata为样本采样。
[0013]作为优选，所述损失函数梯度包括编码器梯度θ解码器梯度θEnc、Dec和判别器梯度θ损失函数梯度为损失函数下降最快的路径，使用梯度下降的优化算法，使得损失函数Dis。
越来越小。
[0014]作为优选，所述编码器梯度计算式为
所述解码器梯度计算式为
所述判别器梯度计算式为
[0015]
作为优选，所述检测组合网络目标图像的编码有无异常具体过程包括：
检测组合网络目标图像经编码器编码后的多维向量；若识别到异常，则发出报警。
[0016]本发明的有益效果为：1.通过将时序信号转换为频域图像来处理，检测结果更为直观简单；2.组合网络融合了变分自编码器以及生成对抗网络，在判别的同时能对噪声有鲁棒性； 3.通过损失函数来训练组合网络，组合网络的损失能降到最小。附图说明
[0017]图1为实施例一的方法流程图。图2为实施例一训练流程图。
5
CN 112597831 A
说 明 书
3/4页
具体实施方式
[0018]下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步的说明。[0019]实施例一：
一种基于变分自编码器和对抗网络的信号异常检测方法，如图1所示，包括：获取时序信号，转换为频域图像；对频域图像进行预处理，作为目标图像；对频域图像进行预处理包括图像增强处
理、图像去噪处理和图像切片处理。通过图像增强、去噪以及切片来排除干扰以及优化特征，图像处理更为便捷精准。图像增强处理包括直方图均衡和/或图像亮度调整。可以采用直方图均衡，可以采用图像亮度调整，也可以是两者都有。
[0020]建立基于变分自编码器以及生成对抗网络的组合网络；组合网络包括生成器、编
解码器和判别器，生成器、编码器、解码器以及判别器依次连接。生成器生成数据传输码器、
到编码器，编码后再解码，再由判别器判断。[0021]输入目标图像至组合网络，并提取输出；提取输出包括编码器输出编码z、生成器输出图像x’和判别器输出判断d。输出数据用于计算损失函数。[0022]计算组合网络的损失函数以及损失函数梯度，训练组合网络，训练流程如图2所示；损失函数包括先验分布损失Ldist、图像相似度损失Llike和GAN损失LGAN。损失函数是用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好，在组合网络中能帮助训练。[0023]先验分布损失计算式为
Ldist＝KLD(q(z|x)||p(z))其中，q(z|x)为输入x通过编码器后编码z的后验概率，p(z)为先验假设N(0，1)的
正态分布，KLD为相对熵；
图像相似度损失计算式为Llike＝‑Eq(z|x)[P(x|z)]其中，P(x|z)为z通过解码器解码后的x的分布；GAN损失计算式为
其中，D(x)为判别器的输出，Pdata为样本采样。
[0024]损失函数梯度包括编码器梯度θ解码器梯度θθ损失函数梯Enc、Dec和判别器梯度Dis。
使用梯度下降的优化算法，使得损失函数越来越小。度为损失函数下降最快的路径，
[0025]编码器梯度计算式为
解码器梯度计算式为
判别器梯度计算式为
[0026]
检测组合网络目标图像的编码有无异常。检测组合网络目标图像的编码有无异常
6
CN 112597831 A
说 明 书
4/4页
具体过程包括：
检测组合网络目标图像经编码器编码后的多维向量；若识别到异常，则发出报警。
[0027]将时序信号转换为频域图像来处理，检测结果更为直观简单；计算损失函数以及损失函数梯度，使用梯度下降的优化算法来训练，能够将损失降到最小；采用变分自编码器，结果能够对噪声有鲁棒性。[0028]本发明的有益效果为：1.通过将时序信号转换为频域图像来处理，检测结果更为直观简单；2.组合网络融合了变分自编码器以及生成对抗网络，在判别的同时能对噪声有鲁棒性； 3.通过损失函数来训练组合网络，组合网络的损失能降到最小。[0029]本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。[0030]本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。[0031]本发明是参照根据本发明的方法、终端设备、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0032]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0033]这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0034]以上的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
7
CN 112597831 A
说 明 书 附 图
1/1页
图1
图2
8
因篇幅问题不能全部显示，请点此查看更多更全内容