[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

说明书

一种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，该方法包括构建超图结构，和优化的超图结构并得到用于分类的映射向量；构建超图结构包括：获取数据样例，将数据样例分为标记数据和无标记数据；通过图G(V，E，w)表示标记数据和无标记数据中数据之间的关系，每次从顶点集合中选择一个顶点，将顶点作为中心点；获取中心点最近的K个顶点，通过一条超边将中心点与最近的K个顶点连接起来，并分别计算最近的K个顶点中的顶点与超边的关联概率，其中K为正整数；以及当图G中所有的顶点均得到与超边的关联概率，完成超图结构的构建，解决现有技术中的超图学习，同时优化代价与错误从而降低误检率的技术问题。

技术领域

本发明涉及超图学习技术领域，尤其涉及一种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。

背景技术

一、普通的超图学习算法

工业环境中存在的标签数据较少且存在正常数据和异常数据严重不平衡的问题，我们希望算法能尽可能地找出数量较少的异常数据。而在普通的超图学习中目标是优化总的错误率，所以会偏向于对数量较多的正常数据进行信息获取，导致对正常数据识别效果好而对异常数据识别能力差。

二、代价敏感的超图学习算法

代价敏感的超图算法以最小化总代价为目的，可以在优化代价上取得很好的效果，更好地分辨出异常数据。但是代价敏感的算法在检测过程中过度关注异常数据的检测则可能导致过多的正常数据被错误的分类，导致异常检测系统频繁告警，影响正常的工业生产。

三、平衡代价与错误的软代价敏感方法

目前的软代价敏感方法没有被应用到超图算法上，只被应用在了代价敏感的支持向量机上。而支持向量机算法不能像超图一样捕捉到工业数据中的高阶关联，无法准确表示复杂的工业数据蕴含的信息。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于超图的同时优化代价与误检率的异常检测方法，以实现在超图学习的过程中，同时优化数据之间的关联、分类产生的总代价与分类的错误来达到同时优化代价与错误从而降低误检率的效果。

本发明的第二个目的在于提出一种计算机设备。

为达上述目的，本发明第一方面实施例提出了一种基于超图的同时优化代价与误检率的异常检测方法，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。