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！

龙图腾网获悉华侨大学申请的专利基于双核化单类宽度学习自编码器的入侵信号检测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：CN120067773B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202510535293.1，技术领域涉及：G06F18/24；该发明授权基于双核化单类宽度学习自编码器的入侵信号检测方法是由彭雅琪;施一帆;曾焕强;朱建清;陈婧;龚鑫荣;蔡磊;杨楷翔设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本基于双核化单类宽度学习自编码器的入侵信号检测方法在说明书摘要公布了：本发明公开了基于双核化单类宽度学习自编码器的入侵信号检测方法，涉及信号检测技术领域，方法包括：将接收的信号数据划分为训练集和测试集；使用核函数映射信号数据至特征层，并通过生成的随机矩阵重构数据以获得第一最优核函数矩阵；对特征层数据进行增强处理，得到第二最优核函数矩阵；串联重构的特征层与增强层形成隐藏层，计算其重构误差作为损失函数，求解得出输出层权重矩阵；基于训练集信号数据的重构损失设定判断阈值；结合第一和第二最优核函数矩阵、输出层权重矩阵及判断阈值，识别测试集中的入侵信号。本发明通过两次核函数映射及重构优化处理信号数据，提高了入侵信号检测的准确性。

本发明授权基于双核化单类宽度学习自编码器的入侵信号检测方法在权利要求书中公布了：1.一种基于双核化单类宽度学习自编码器的入侵信号检测方法，其特征在于，包括： S1，接收信号数据，将信号数据划分为测试集和训练集； S2，通过核函数将训练集中的信号数据进行映射，获得训练集的特征层数据； S3，基于训练集的特征层数据生成一个随机矩阵，用该随机矩阵对训练集的信号数据进行重构，得到重构的特征层数据，将重构导致的误差设为第一目标函数，通过增广拉格朗日乘数法将第一目标函数转化为第一无约束优化问题，求解第一无约束优化问题，获得第一最优核函数矩阵； S4，通过核函数对重构的特征层数据进行映射，获得训练集的增强层数据； S5，基于增强层数据生成一个随机矩阵，用该随机矩阵对训练集的特征层数据进行重构，得到重构的增强层数据，将重构导致的误差设为第二目标函数，通过增广拉格朗日乘数法将第二目标函数转化为第二无约束优化问题，求解第二无约束优化问题，获得第二最优核函数矩阵； S6，串联重构的特征层数据和重构的增强层数据得到隐藏层，对隐藏层数据进行重构，获得重构过程中产生的重构误差，将重构误差的F范数定义为损失函数，对损失函数进行求导，获得最优的输出层权重矩阵； S7，计算训练集中信号数据的重构损失，并将这些损失从大到小排序，得到一个误差排序集合，基于该误差排序集合设定一个比例系数以确定判断阈值； S8，基于第一最优核函数矩阵、第二最优核函数矩阵、最优的输出层权重矩阵和判断阈值，确认测试集信号数据中的入侵信号； 第一目标函数的计算公式如下： 其中，X为信号数据；WK为从训练集中的信号数据到重构的特征层数据的内核变换矩阵；表示矩阵的F范数的平方，用于衡量矩阵元素的总体大小；λ为正则化参数，用于平衡重构误差和正则化项的权重；||U||2.1表示矩阵U的l2,1范数，用于对矩阵进行正则化；U为中间变量；表示找到WK和U使得损失函数最小；Z表示重构的特征层数据；通过增广拉格朗日乘数法将第一目标函数转化为第一无约束优化问题，公式如下： 其中，R为拉格朗日乘子矩阵，用于处理约束条件；μ表示增广拉格朗日函数中的惩罚参数；表示矩阵的内积； 通过交替方向乘子法算法求解第一无约束优化问题，计算公式如下： WK＝XTX+μI-1XTZ+μU+RT； 其中，I为单位矩阵，用于在矩阵运算中保持矩阵的维度和性质。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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”。