[发明专利]基于超图的同时优化代价与误检率的异常检测方法及系统

权利要求书

1.一种基于超图的同时优化代价与误检率的异常检测方法，其特征在于，包括构建超图结构，和优化所述的超图结构并得到用于分类的映射向量；其中，

所述构建超图结构，包括以下步骤：

步骤S10，获取数据样例，将所述数据样例分为标记数据和无标记数据，所述标记数据包括正常数据和异常数据；

步骤S11，通过图G(V，E，w)表示所述标记数据和所述无标记数据中数据之间的关系，其中，V表示顶点集合，E表示超边集合，超边表示数据之间的关系，w表示超边权重；

步骤S12，每次从所述顶点集合中选择一个顶点，将所述顶点作为中心点；

步骤S13，获取所述中心点最近的K个顶点，通过一条超边将所述中心点与所述最近的K个顶点连接起来，并分别计算所述最近的K个顶点中的顶点与所述超边的关联概率，其中K为正整数；以及

步骤S14，当所述图G(V，E，w)中所有的顶点均完成所述步骤S13后，完成所述超图结构的构建。

2.根据权利要求1所述的异常检测方法，其特征在于，所述数据样例包括测试样例或训练样例，其中，所述顶点集合中的顶点表示测试样例或训练样例中的一个数据。

3.根据权利要求1所述的异常检测方法，其特征在于，所述超图结构通过|V|×|E|大小的矩阵H表示，H(i，p)表示顶点v_i和超边e_p之间的关联概率，其中，

若权重w＝0，则所述顶点v_i和所述超边e_p之间的关联概率为0；

若权重w＞0，则通过下述公式计算所述顶点v_i和所述超边e_p之间的关联概率：

其中，其中为数据集中所有点对的平均距离，d(v_i，v_central)为v_i与中心点之间的距离，α为需要调整的超参数。

4.根据权利要求1所述的异常检测方法，其特征在于，在所述步骤S14中，超边数量与顶点数量相同时，完成所述超图结构的构建，其中，所述超图结构通过下述矩阵表示：

其中，其中为数据集中所有点对的平均距离，d(v_i，v_central)为v_i与中心点之间的距离，α为需要调整的超参数，H(i，p)为v_i与超边e_p关联的概率，e_p为E中的超边。

5.根据权利要求1-4任一所述的异常检测方法，其特征在于，

优化所述的超图结构并得到用于分类的映射向量，包括以下步骤：

步骤S20，获取所述图G(V，E，w)中的顶点数量N_V和超边数量N_E；

步骤S21，用大小为N_V×N_E的对角矩阵γ表示不同数据分类的代价，γ_i，i表示第i个数据分类错误的代价，其中，

对于所述正常数据，γ_i，i＝1；

对于所述异常数据，γ_i，i＞1；

对于测试数据，γ_i，i＝0；

步骤S22，根据步骤S21优化所述超图结构并得到用于分类的映射向量。

6.根据权利要求5所述的异常检测方法，其特征在于，在所述步骤S22中，分别对超图拉普拉斯正则项，代价敏感分类的经验误差，传统分类的经验误差和用于优化超图结构的正则项进行优化。