[发明专利]一种优化基于深度学习的异常检测模型的方法有效
| 申请号： | 201910192345.4 | 申请日： | 2019-03-13 |
| 公开（公告）号： | CN110175247B | 公开（公告）日： | 2021-06-08 |
| 发明（设计）人： | 张永军;沈涛;闫思宇;文韩 | 申请（专利权）人： | 北京邮电大学 |
| 主分类号： | G06F16/50 | 分类号： | G06F16/50;G06N3/08;G06N3/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 100876 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 优化 基于 深度 学习 异常 检测 模型 方法 | ||
【权利要求书】：
1.一种优化基于深度学习的异常检测模型的方法，其特征在于，该方法包括以下步骤：
S1:收集工业生产中产品的图像数据，作为基础，形成原始样本集；
S2:构造一个基于异常检测的深度卷积网络；
S3:利用神经网络模型，预测生产中的图片样本；
S4:对预测样本进行标注，计算有效样本概率区间；
S5：判断是否满足样本库平衡条件；
S6:如不满足，则根据计算的有效样本概率区间，提取有效样本，加入样本库，进行模型迭代，直至建好一个满足平衡条件的样本库；
有效样本概率区间公式如下：
其中，NP为正样本数，NN为负样本数，P为预测样本数，PF为预测错误的样本数，σ为sigmoid函数，β为自定义的超参数。
2.根据权利要求1所述的方法，其特征在于：S5步骤中判断是否满足样本库平衡条件：正负样本数量满足NP5*NN。
3.根据权利要求1所述的方法，其特征在于：S6步骤中将有效样本，即预测错误的样本和样本分类概率在模糊区间的样本提取出来，加入样本库。
4.根据权利要求1所述的方法，其特征在于：当样本库未满足样本库平衡条件时，在S2-S6步骤开启循环，在预测的不平衡样本集中筛选有效样本，实现样本库类间平衡。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京邮电大学，未经北京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910192345.4/1.html，转载请声明来源钻瓜专利网。
