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：合肥工业大学;江苏省储备粮管理有限公司;安徽省储备粮管理有限公司;云境商务智能研究院南京有限公司

摘要：一种多尺度特征的粮库系统对抗生成网络异常检测方法，1数据采集：从粮库系统中部署的多个传感器实时采集环境参数数据，包括温度、湿度、气体成分等，这些数据形成多维的时间序列数据；2数据预处理：对采集的数据进行预处理，归一化、去噪，以适应模型训练的需要；3构建基于多尺度特征的生成对抗网络异常检测模型，模型主要有生成网络和判别网络组成；4模型训练：生成器和判别器通过对抗训练相互博弈，不断优化：异常检测过程；5将实时采集的粮库系统数据输入训练好的生成网络，获得一个重构的数据；计算重构数据和真实数据的误差，如果高于预设的阈值，则判定为异常情况；这里阈值通过训练过程中的值来设定。

主权项：1.一种基于多尺度特征的粮库系统对抗生成网络异常检测方法，其特征是，通过挖掘粮库系统中数据的局部和全局特征，利用生成对抗网络的自适应特性，能够有效地检测粮库环境中的各种异常情况；建模的模型包括生成网络和判别网络两部分，通过局部和全局编码对粮库数据进行特征提取和重构，并利用生成对抗网络的对抗训练机制进行异常检测，采用以下步骤：步骤1，数据采集：从粮库系统中部署的多个传感器实时采集环境参数数据，包括温度、湿度、气体成分等，这些数据形成多维的时间序列数据；步骤2，数据预处理：对采集的数据进行预处理，归一化、去噪，以适应模型训练的需要；步骤3，构建基于多尺度特征的生成对抗网络异常检测模型，模型主要有生成网络和判别网络组成；3.1生成网络的任务是对输入的粮库系统数据进行特征提取和重构；生成网络的主体框架基于编码器和解码器的Autoencoder架构，其中编码器由局部编码器和全局编码器构成；3.1.1局部编码器：提取局部特征，捕捉短时间内的数据变化，使用卷积神经网络CNN对输入数据进行局部特征提取；3.1.2全局编码器：提取全局特征，捕捉长期趋势和全局模式，可以使用变压器网络Transformer对输入数据进行全局特征提取；3.1.3映射层：对局部和全局特征进行映射和对齐，可以使用全连接层将局部特征和全局特征进行对齐；3.1.4解码器：重构输入数据，生成与真实粮库系统数据相似的伪数据，可以使用多层神经网络对特征进行重构；3.1.5为了强化局部和全局特征的一致性，可以基于局部特征和全局特征的多尺度感知对比损失，对重构数据的一致性进行约束；3.2判别网络，主要通过区分生成的数据和真实数据，对生成网络重构的正常数据进行约束，从而使得重构的数据与异常数据更具区分性，提高异常检测的精准度；主要包括特征表示层和特征层；3.2.1特征表示层：使用多层神经网络对重构的数据和真实的数据进行特征提取；3.2.2判别层：使用全连接层进行二分类，输出概率值，判断输入数据是重构还是真实数据；步骤4，模型训练：生成器和判别器通过对抗训练相互博弈，不断优化：训练步骤:4.1初始化生成网络和判别网络的参数；定义优化器如Adam优化器用于更新生成网络和判别网络的参数；4.2从真实数据集中抽取一个批次的数据，标记为真实样本；将真实数据经过生成网络生成一个批次的伪数据，标记为重构样本；4.3通过判别网络对真实样本和重构样本进行分类，并计算损失，这里判别器的损失采用交叉损失，并通过梯度下降更新判别网络的参数；4.4计算生成网络的损失，生成网络的损失由对抗损失、重构损失和对比损失组成，通过梯度下降更新生成网络的参数；4.5重复4.2-4.4步骤，先更新判别网络的参数，后更新生成网络的参数，训练多轮直到损失函数收敛或者达到预定的训练次数；步骤5，异常检测过程:5.1将实时采集的粮库系统数据输入训练好的生成网络，获得一个重构的数据；5.2计算重构数据和真实数据的误差，如果高于预设的阈值，则判定为异常情况；这里阈值通过训练过程中的值来设定。

全文数据：

权利要求：

百度查询： 合肥工业大学 江苏省储备粮管理有限公司 安徽省储备粮管理有限公司 云境商务智能研究院南京有限公司 一种多尺度特征的粮库系统对抗生成网络异常检测方法