买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京财经大学申请的专利基于卷积神经网络的多维时序数据异常判别与修复方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119961847B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510443878.0，技术领域涉及：G06F18/2433；该发明授权基于卷积神经网络的多维时序数据异常判别与修复方法是由窦亚冬设计研发完成，并于2025-04-10向国家知识产权局提交的专利申请。

本基于卷积神经网络的多维时序数据异常判别与修复方法在说明书摘要公布了：本发明公开一种基于卷积神经网络的多维时序数据异常判别与修复方法，包括读取历史多维时序数据，计算时序数据空间相似度，形成相关性矩阵；将相关性矩阵输入卷积神经网络，获取多维度特征图，对相关性矩阵进行重建；通过最小化相关性矩阵的重建误差，训练神经网络模型，并将模型参数保存为文件；在实时系统中加载模型参数，将在线数据与模型重构数据比较，判断是否存在异常，若是则进行修复。本发明有效避免了同台设备多通道传感器数据联动性强，但关联关系未能有效利用的问题，能够有效检测出隐蔽性、特殊性异常，并通过神经网络重构数据对异常进行修复，有助于提升数据异常判别和修复的准确性、时效性，促进工程实践中的在线应用。

本发明授权基于卷积神经网络的多维时序数据异常判别与修复方法在权利要求书中公布了：1.一种基于卷积神经网络的多维时序数据异常判别与修复方法，其特征在于，包括以下步骤： 步骤S1，读取历史多维时序数据，计算时序数据空间相似度，形成原始的多维序列相关性矩阵；实现方式为： S11：读取多通道传感器在一段时间内不同时刻采集的数据文件，组织形成原始的多维时序数据；在关系型数据库中构建历史数据表，对于每个数据文件，循环读取每行测点信息，并保持至历史数据表，直至文件最后一行； 对历史数据进行排序操作，排序关键词包括测点名称和时间，再利用SQL查询语句，返回排好序的测点数据记录集，并以测点名称对返回的记录集进行分组，每个组内的数据则对应一个测点数据序列，对组内的测点值进行归一化处理，从而形成原始的多维序列相关性矩阵； S12：在s时间片段内，计算多维序列两两之间的点积相似度，形成原始的多维序列相关性矩阵； 步骤S2，将原始的多维序列相关性矩阵输入卷积神经网络，获取多维度特征图，结合LSTM网络、Attention机制和反卷积操作，对原始的多维序列相关性矩阵进行重建； 步骤S3，通过最小化相关性矩阵的重建误差，训练神经网络模型，并将模型参数保存为文件； 步骤S4，在实时系统中加载模型参数，将在线获取的测点数据与模型重建数据比较，判断是否存在异常，若是则进行修复；具体实现过程为： 计算当前时刻多维时序数据的重建误差矩阵 ； 其中，表示当前时刻多维时序数据的重建误差矩阵，表示原始的多维序列相关性矩阵；表示重建的相关性矩阵；阈值取，通过判断重建误差矩阵每列中超过的元素个数，计算获得超阈值的个数向量，对于向量中任意j列元素，若，则判断该列对应的原始数据存在异常，需要修正，θ表示异常判别参数，表示为： ； 其中，表示放大系数，Med{.}用来取中位数，表示超阈值个数向量在任一t时刻的任一j列值；对于存在异常的j列数据，用重建的相关性矩阵元素代替原始相关性矩阵元素，并根据以下公式修正第j列所对应的在线获取的测点数据： ； 其中，s表示回溯的时刻数，N表示测点总数，表示当前时刻往前回溯个时刻的子序列数据，表示修正值； 将当前测点序号j，当前时间t，在线获取的测点数据，修正数据组成数据元组，记录至异常处理日志，并发送给指定邮箱，通知相关人员进行异常源头排查。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京财经大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。