文档详情

一种基于潜在特征分解的无监督异常检测方法.pdf

发布：2023-05-07约2.11万字共16页下载文档

文本预览下载声明

(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114565023 A (43)申请公布日 2022.05.31 (21)申请号 202210112132.8 (22)申请日 2022.01.28 (71)申请人北京邮电大学地址 100876

显示全部

相似文档

一种基于单分类算法的无监督机器异常声检测方法和装置.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114462475 A (43)申请公布日 2022.05.10 (21)申请号 202111575693.3 (22)申请日 2021.12.21 (71)申请人南京邮电大学地址 210046
2023-05-06 约1.68万字 15页立即下载
一种基于三分支孪生网络的无监督视频异常检测方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114565785 A (43)申请公布日 2022.05.31 (21)申请号 202210066191.6 G06N 3/08 (2006.01) (22)申请日 2022.01.2
2023-05-09 约2.25万字 16页立即下载
一种基于自监督学习的异常图像检测方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113344875 A (43)申请公布日 2021.09.03 (21)申请号 202110631682.6 (22)申请日 2021.06.07 (71)申请人武汉象点科技有限公司
2023-06-16 约1.25万字 11页立即下载
一种基于无监督自适应权重的心脏数据异常检测方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114548281 A (43)申请公布日 2022.05.27 (21)申请号 202210168082.5 G06V 10/82 (2022.01) (22)申请日 2022.02.
2023-05-10 约1.48万字 12页立即下载
一种基于空谱特征联合约束的高光谱异常检测方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113409261 A (43)申请公布日 2021.09.17 (21)申请号 202110657574.6 (22)申请日 2021.06.13 (71)申请人西北工业大学地址
2023-06-18 约1.32万字 13页立即下载
一种基于时空间特征的行人车辆异常行为检测方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113408372 A (43)申请公布日 2021.09.17 (21)申请号 202110612396.5 (22)申请日 2021.06.02 (71)申请人东南大学地址 21
2023-06-19 约1.33万字 11页立即下载
一种基于多层级特征重构的图像局部异常检测方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114820415 A (43)申请公布日 2022.07.29 (21)申请号 202110114178.9 G06V 10/82 (2022.01)
2023-05-15 约1.22万字 9页立即下载
基于无监督学习的网络异常检测方法.docx PAGE 1- 基于无监督学习的网络异常检测方法 一、1.无监督学习概述 (1)无监督学习是机器学习领域的一个重要分支，它主要关注于从未标记的数据中提取模式、结构或特征。与监督学习不同，无监督学习不需要预先标注的训练数据，而是通过算法自动从数据中学习到潜在的模式。这种学习方式在数据挖掘、图像处理、自然语言处理等领域有着广泛的应用。据统计，无监督学习在2019年全球人工智能应用市场中所占份额已达到25%，并且这一比例还在持续增长。 (2)无监督学习的主要方法包括聚类、降维和关联规则挖掘等。聚类算法如K-means、层次聚类和DBSCAN等，可以将数据点分组，使得同一组内的数据点具有较高的相似度，
2025-01-21 约3.16千字 6页立即下载
自监督点云异常检测：基于点云重构的自监督方法.docx 自监督点云异常检测：基于点云重构的自监督方法 目录内容简述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．2 1.1研究背景．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．2 1.2研究意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．3 1.3文献综述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4 1.3.1点云异常检测概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．5
2025-03-16 约1.79万字 26页立即下载
一种基于潜在扩散模型的半监督分割方法 .pdf 一种基于潜在扩散模型的半监督分割方法 一种基于潜在扩散模型的半监督分割方法包括以下步骤： 1、图像生成阶段：首先将图像输入到变分自动编码器的编码器中生成潜在空间编码，将对应图像的潜在空间编码输入到潜在扩散模型中。然后利用去噪自动编码器对加噪后的潜在空间编码计算去噪拟合损失以学习去噪分布。最后利用潜在扩散模型随机生成高斯噪声并进行去噪估计以生成潜在空间编码，将潜在空间编码通过变分自动解码器生成像素级图像。 2、半监督学习阶段：为了利用图像生成阶段生成的大量有价值合成无标记样本，半监督学习阶段首先对有标记的数据进行训练，然后利用生成的合成无标记样本进行进一步的训练。具体来说，该阶段使
2024-11-19 约小于1千字 1页立即下载
一种基于KNN半监督学习模型的网络流量异常检测方法与系统[发明专利].docx PAGE 1- 一种基于KNN半监督学习模型的网络流量异常检测方法与系统[发明专利] 一、背景与意义随着互联网技术的飞速发展，网络已经成为现代社会不可或缺的一部分。网络流量的异常检测对于保障网络安全、预防网络攻击以及维护网络稳定具有重要意义。近年来，网络攻击手段日益复杂，传统的基于规则或特征的方法在处理未知或新型攻击时存在局限性。因此，研究一种高效、准确的网络流量异常检测方法成为网络安全领域的研究热点。半监督学习作为一种机器学习方法，能够在只有少量标记样本的情况下，通过利用大量未标记样本的信息来提高学习模型的性能。K最近邻（K-NearestNeighbors，KNN）算法作为一种经典的分
2025-01-21 约2.76千字 5页立即下载
一种基于深度学习的多特征融合鱼类异常行为检测方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114463843 A (43)申请公布日 2022.05.10 (21)申请号 202210027564.9 G06V 10/774 (2022.01)
2023-05-08 约1.82万字 16页立即下载
基于全变差低秩张量分解的高光谱图像异常目标检测方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114565850 A (43)申请公布日 2022.05.31 (21)申请号 202210203988.6 (22)申请日 2022.03.02 (71)申请人哈尔滨工程大学
2023-05-09 约1.49万字 15页立即下载
一种基于CR-Deeplab的异常检测方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号CN117422695A (43)申请公布日2024.01.19 (21)申请号202311477998.XG06V10/44(2022.01)
2024-01-18 约2.11万字 19页立即下载
基于自监督学习的时序数据异常检测方法研究.docx 基于自监督学习的时序数据异常检测方法研究一、引言在各种实际应用场景中，时序数据异常检测一直是一项重要且具有挑战性的任务。这种问题常常涉及到对大规模、高维度的数据进行实时监控，以发现任何可能的异常或偏离正常模式的行为。自监督学习作为一种新兴的机器学习方法，在处理时序数据异常检测问题上具有独特的优势。本文将详细探讨基于自监督学习的时序数据异常检测方法，以期提供一种更为有效、自动化的异常检测方案。二、时序数据异常检测问题的背景与意义时序数据广泛存在于许多领域，如物联网（IoT）、金融、医疗等。这些数据通常具有连续性、动态性和复杂性等特点，因此对异常的检测和识别显得尤为重要。异常检测不仅可以用
2025-03-05 约5.13千字 10页立即下载