一种基于图结构掩码自编码器的制糖厂数据异常检测方法，属于制糖厂生产过程数据异常检测技术领域。它包括以下步骤：1)数据的获取和整合：提取正常数据设置为训练集，提取异常数据设置为测试集；2)建立因果有向图：根据生产流程图，对其变量之间构建因果有向图；3)构建基于图结构掩码自编码器的数据异常检测模型；4)检测异常：计算将测试集输入模型得到的重构结果与输入数据之间的差，并对输入数据是否异常进行判定。本发明采用基于图结构掩码自编码器的数据异常检测方法，提高了异常检测的效果，能够准确的找出异常时间和异常变量，具有普遍性和通用性。
📄 2022110386934
📂 G06K9_62
👤 浙江工业大学
📅 2022-08-29
本发明涉及人工智能技术，具体涉及一种基于大模型的多维时序数据异常检测方法。本发明将原始多维时序数据映射到统一的尺度，再采用离散化方法将多维时序数据转化为多个单维的符号序列；利用正常状态的符号序列组成的集合对大模型底座进行微调；通过比对大模型的预测结果与真实数值之间的误差，得到每个单维时序数据在当前时刻的单维异常检测结果和全局异常检测结果。本发明通过将时序数据转化为符号序列，并通过微调已有的大模型底座实现对时序数据的异常检测，可利用大模型强大的泛化能力，克服传统小模型异常检测方法的跨场景能力不足的问题，实现在新场景中的少样本甚至零样本检测。
📄 2025118248847
📂 G06F18_2433
👤 浙江工业大学
📅 2025-12-05
本发明公开了一种基于VAE与关联差异的多元时序数据异常检测方法，通过引入关联差异，使模型能够有效捕捉时间序列中的异常变化本质，关联差异的计算使得模型能够量化变量之间的关联程度变化，从而更加精准地区分正常和异常状态。同时，本发明使用变分自编码器对时间序列进行重构，可以学习数据的分布规律，并找出最能代表数据本质特征的因素。通过进一步对重构后的时间序列学习其关联差异，本发明模型的异常区分能力得到了增强和泛化。此外，本发明结合均方误差、KL散度和关联差异作为判断异常的标准，大大提升了模型对异常的检测能力。
📄 2025102732661
📂 G06F18_2433
👤 浙江理工大学
📅 2025-03-10
本发明公开了一种顾及语义的轨迹数据异常检测方法，包括以下步骤：步骤1：对历史工作数据集T0，异常点集X，异常值score和自适应窗口ω进行初始化；步骤2：输入测试轨迹，根据轨迹点的经纬度，采样时间等信息求出轨迹点的网格坐标并完善其语义信息；步骤3：将轨迹点加入自适应窗口ω末尾，根据自适应窗口过滤历史轨迹工作集Ti‑1，并且生成新的工作数据集Ti；步骤4：根据此前计算得到的新的工作数据集Ti和原有工作数据集Ti‑1计算支持度；步骤5：根据支持度计算当前异常值，并返回步骤3；步骤6：区分异常轨迹片段和异常轨迹。通过轨迹点的采样间隔和轨迹点平均运动速度来确定网格大小，能够有效避免网格过大和网格过小引起的检测精度不足和计算量过大等问题。
📄 2022108507112
📂 G06F18_2433
👤 电子科技大学
📅 2022-07-19
本申请实施例涉及数据处理，提供了一种数据异常检测方法及装置，应用于服务器，所述方法包括：可接收临床数据集和检验知识集，依据临床数据集和检验知识集生成临床检验数据集，将临床检验数据集作为预设相似度排序模型的训练数据执行训练操作，得到训练好的目标相似度排序模型；接收待检数据，将待检数据输入到训练好的目标相似度排序模型，得到多个检验知识，依据多个检验知识判断待检数据对应的临床检验结论是否处于异常状态。本申请中的临床数据集、检验知识集、临床检验数据集可存储在区块链中。采用本申请实施例有利于提高数据异常检测的效率。
📄 2020105980548
📂 G16H10_20
👤 平安科技(深圳)有限公司
📅 2020-06-28
本发明公开了一种基于机器学习的医疗数据异常检测方法，包括：通过医疗数据采集接口获取多模态医疗数据集；对数据集进行数据清洗、特征选择及多模态融合，生成标准化特征矩阵；构建混合机器学习模型，混合机器学习模型包括无监督聚类模块与有监督分类模块，将标准化特征矩阵输入至混合机器学习模型中进行联合训练；基于动态阈值优化算法计算并更新异常判定阈值；根据混合机器学习模型的输出结果及异常判定阈值，标记医疗数据中的异常样本，并输出异常类型及关联的临床指标参数。本发明能够及时识别新的异常模式或病例，减少了漏诊的风险，降低了误报率，确保了整体动态异常检测过程的连续性与准确性。
📄 2025103638667
📂 G16H50_70
👤 南京医路云数字科技研究院有限公司
📅 2025-03-26
本发明涉及数据处理领域，更具体的说，它涉及一种多时间序列的监测数据异常检测方法及系统。一种多时间序列的监测数据异常检测系统，包括：监测数据集获取模块、监测数据值变化段划分模块、信任数据集建立模块、监测数据匹配模型建立模块和异常值检测模块。本发明通过布设多个传感器，并将多时间序列的不同监测数据集中变化趋势一致的监测数据视为正常数据，并且基于这些片段的正常数据来建立匹配模型识别监测数据集中的异常值，能够更加准确的结合多时间序列数据的特点，并且识别准确率高。
📄 2024115926618
📂 G06F18_2433
👤 南昌君胜设计有限公司
📅 2024-11-08
本发明涉及数据处理领域，提供了一种时序数据异常检测方法、电子设备和存储介质，包括：获取待检测的时序数据集D；基于D得到滑动时序数据集DS；将DSh输入第一卷积模块，得到第一卷积特征Fh1c；将Fh1c输入第一时空模块，得到第一时空特征Fh1st；基于Fh1st和Fh1c得到第二时空特征Fh2st；基于Fh1st和Fh2st得到第二卷积特征Fh2c；基于Fh2c得到DSh对应的下一时刻的预测数据Dhnc和重构数据Dhnr；基于Dhnext、Dhnc和Dhnr获取DSh对应的下一时刻对应的检测值Shnext，如果Shnext＞S0，则判断Dhnext为异常数据。本发明能够准确检测时序数据的异常。
📄 2023114681337
📂 G06F18_2433
👤 中国民航大学
📅 2023-11-06
本发明属于数据处理技术领域，公开了一种适用于高维数据异常检测的方法，在原始数据集上随机抽取一部分属性，分别在抽取的数值属性和非数字属性上进行异常检测，最后根据抽取属性上的检测结果判定原始数据集中的记录是否属于异常值；在数值属性上采用每个划分中包含记录个数的倒数作为异常打分值，在非数字属性上采用各簇的熵作为异常打分值，最后根据数值属性和非数字属性的异常打分值判定原始数据集中哪些记录属于异常值；本发明克服了高维数据异常检测计算代价大的缺点，能够大大提高异常检测的效率和精度。
📄 2023105203478
📂 G06F18_2433
👤 盐城工学院; 盐城工学院技术转移中心有限公司
📅 2023-05-10
本发明涉及车间数据监测技术领域，公开了一种车间数据异常识别的方法，提供一种数据识别系统，该数据识别系统包括：监测端、接收端、特征数据库、第一数据库、第二数据库、第三数据库以及处理端，该方法包括如下步骤：步骤S1,监测端生成第一监测数据；步骤S2,处理端接收第一监测数据，并从特征数据库中筛选与该特征标识对应的运行数据来源；步骤S3,数据判断模块筛选对应的第一基准数据区间；步骤S4,数据判断模块中的第一数据判断策略判断第一监测数据是否落入第一基准数据区间内，当第一监测数据落入第一基准数据区间时，输出第一数据正常的识别结果；当第一监测数据未落入第一基准数据区间时，输出第一数据异常的识别结果。
📄 2020108249234
📂 G06F16_9035
👤 浙江鸿城科技有限责任公司
📅 2020-08-17
本发明请求保护一种基于无监督自适应权重的心脏数据异常检测方法，包括：构造基于自适应权重优化的变分自编码器，提取并平衡不同层次数据之间的特征；构造高斯核密度估计模型，处理复杂任务输入数据的密度估计任务，进行异常检测；在自编码器的输入和输出之间构造自适应重构损失，约束自编码器能够正确学习心脏测值数据的特征；在潜空间的低维表示和相应层对应的重构数据之间构造自适应重构损失，保留特征从高维到低维的数据一致性；在输入数据和输出数据之间构造自适应重构损失；在损失函数中构造数据低维特征的数据分布的KL散度以优化采样样本和生成样本之间的差异。本发明在训练比例更少的情况下，得到更优的检测结果。
📄 2022101680825
📂 G06K9_62
👤 重庆邮电大学
📅 2022-02-23
柿子坊 · 知识产权运营
柿子坊知识产权运营平台