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！

龙图腾网获悉四川大学申请的专利一种基于全域注意力机制与对比学习的异常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：CN119557710B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202411758641.3，技术领域涉及：G06F18/24；该发明授权一种基于全域注意力机制与对比学习的异常检测方法是由陈良银;孟泽城;陈是澎;罗坤;易笑澜;罗富玮;罗张伟;陈泓全设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本一种基于全域注意力机制与对比学习的异常检测方法在说明书摘要公布了：针对大型工厂现有异常检测模型难以同时捕获复杂时序特征和维度间关系特征的问题，本发明设计了基于全域注意力机制与对比学习的异常检测算法GCAVE。首先本发明设计了全域自注意力机制以充分捕获多参数时序数据的单个维度内的时序特征及不同维度之间的关系特征。随后设计出结合对抗、对比学习的异常检测机制来提高模型对异常数据区分能力，同时预防模型在训练过程中可能出现的后验崩塌问题。最后，设计出时序集成梯度异常解释算法对异常传感器进行定位。

本发明授权一种基于全域注意力机制与对比学习的异常检测方法在权利要求书中公布了：1.一种基于全域注意力机制与对比学习的异常检测方法，所述方法包括以下步骤： 步骤1、基于谱残差与归一化的数据预处理；针对某些异常样本与正常样本潜在分布相似而导致模型重构误差较小的问题，在数据预处理阶段使用谱残差方法放大异常样本与正常样本之间的分布差异，以提高异常样本的重构误差； 步骤2、构建基于全域注意力机制网络，用于数据的重构；考虑到现有模型在同时捕获时空特征方面的能力不足，构建全域注意力机制；该机制通过对时间序列数据的块内块间进行双重视角处理，不仅能够使模型捕获数据的局部与全局特征，也能捕获传感器之间的空间特征； 步骤3、强化数据重构网络捕获异常数据的能力；针对生成模型在识别与正常数据分布相似的异常数据能力不足的问题，构建基于对抗学习与对比学习机制来提升编码器与解码器识别异常的能力； 步骤4、构建改进的时序集成梯度异常检测方法来对异常数据进行异常传感器定位；通过计算各传感器在异常得分中的相对贡献度，实现了对潜在问题传感器的精准定位，从而提高运维人员处理异常的效率； 所述步骤2中构建基于全域注意力机制网络；首先对从GRU模块中输出的特征进行分块处理；具体来说，输出的多变量时间序列数据为X∈RT×d，其中T是时间步长；d是特征维度，即不同传感器的数量；通过定义窗口大小W和步长S，将数据进一步分割为一系列时间块，每一个窗口可以进一步表示为Xi＝X[ti:ti+W]，其中t是窗口的起始时间步；然后特征提取阶段，引入了块内自注意力机制和块间自注意力机制；块内自注意力机制主要目的是捕捉每个时间块内部的时序依赖关系，揭示序列内部的短期关系；通过对Xi∈RW×d构建查询Q、键K和值V，将时间块内的原始特征映射到新的特征空间中去，接着，利用Q和K的相似度计算得到的注意力得分，经过缩放因子进行归一化，增强模型的学习稳定性，与此同时，块间自注意力机制旨在理解不同时间窗口之间的长期依赖性，从而捕捉序列的全局关系；通过将整个序列视为一个整体，并应用多头自注意力机制来加强不同时间块之间的联系，就可以从宏观上理解时间序列的整体结构；首先把所有块的集合表示为B∈RN×d，其中N为被分割成的块数，d是每个块的特征维度；对于块间自注意力机制，同样需要生成查询Q、键K和值V，但是与块间自注意力机制不同的是，它们是基于整个序列块的集合B生成的，最后对全域时间序列注意力机制输出的两个特征图进行特征融合，通过融合得到的特征图既包含了局部特征又考虑了全局特征，更适用于工控环境下的异常检测任务，首先进行特征降维，以提取关键信息，对块内和块间特征图分别应用1×1卷积，F'内＝Conv1×1F内,F'间＝Conv1×1F间接下来，将处理过后的块内和块间特征图进行特征拼接，F融合＝ConcatF'内，F’间通过这种方式，F融合包含了来自块内和块间自注意力机制的提供信息，特征维度扩展到2d；最后，为了保留一部分原始输入特征并促进梯度流动，将原始输入特征通过残差连接加到融合特征上，得到最终特征图，F残差＝F原始+F残差输入最后通过1×1卷积将扩展维度的特征图降维，恢复至初始的特征维度dF'最终＝Conv1×1F整合； 构建改进的时序集成梯度异常检测方法来对异常数据进行异常传感器定位；方法主要用于解释深度神经网络的预测决策，本设计基于此方法通过综合分析从正常状态到异常状态的梯度变化，量化各传感器对异常得分的贡献度，实现对异常传感器的定位；IG通过对从基线状态到实际观测状态的梯度变化进行积分，揭示了每个维度对模型判定结果的影响；由于中性基线状态对于理解模型如何识别特定属性至关重要，因此对IG方法进行了改进，以满足异常检测的特殊需求；IG公式如下所示： 其中，F·表示深度网络函数，xt∈RM表示异常实体，xtb∈RM为相应的中性基线实体，M为每个实体的维度数，a是定义了xtb与xt之间关系的光滑曲线；IG通过计算xtb和xt之间的偏差Dxtb,xt来识别xt各部分的贡献；基于上述公式，将GCAVE异常模型设置为F，通过对比异常状态xt与通过模型重构的基线状态xtb的差异，就可以使用Dmxtb,xt来识别各维度的贡献；其Dmxtb,xt公式为其中，xtb是重构的基线状态，xt是检测的异常状态，和分别是这两个状态在第m维度上的值；通过这种方式，TIG方法不仅能够识别异常，还能提供关于异常发生原因的详细解释。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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”。

以上内容由龙图腾AI智能生成。