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！

龙图腾网获悉南京邮电大学申请的专利基于通道注意力和频域分析的通信设备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：CN120067805B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202510150464.9，技术领域涉及：G06F18/241；该发明授权基于通道注意力和频域分析的通信设备异常检测方法是由蔺静波;潘甦设计研发完成，并于2025-02-11向国家知识产权局提交的专利申请。

本基于通道注意力和频域分析的通信设备异常检测方法在说明书摘要公布了：本发明提出了一种基于通道注意力和频域分析的通信设备异常检测方法。该异常检测方法基于重构模型实现，首先对网络通信设备产生的检测数据进行预处理后，生成时序数据数据集。在模型训练阶段，使用时序数据重构模型捕获正常数据的特征和分布；在异常检测阶段，重构待检测数据，将重构数据与输入数据对比，根据重构误差找到待检测数据存在异常的时间点。本发明不依赖于数据的统计特性或对时序数据中的潜在模型进行假设，而是采用重构的异常检测方法，将时序数据映射为高维的特征图，在深度神经网络中建模时序数据分散数据点之间的非线性关系，并基于高维特征进行重构，捕获时序数据的长时依赖、周期变化和多维度相关性等复杂特性。

本发明授权基于通道注意力和频域分析的通信设备异常检测方法在权利要求书中公布了：1.基于通道注意力和频域分析的通信设备异常检测方法，其特征在于包括如下步骤： 步骤S1：从数据库中提前原始数据，进行归一化处理后，得到子序列； 步骤S2：将步骤S1的子序列进行时序分解，得到趋势序列分量和周期序列分量； 步骤S3：对周期序列分量进行FFT变换与分析，得到平均振幅集合，并建立输入特征图；具体过程为： 步骤S3.1:将周期序列分量输入堆叠卷积模块；对于多指标数据的周期序列分量，首先通过快速傅里叶变换分析其频域特性，找到前K个最大振幅及相应周期，用来基于不同周期长度分割堆叠原始输入数据，使之后的卷积处理得以同时捕获多指标数据的周期间和周期内关联性；序列经FFT变换与分析后，得出如下结果： 4 5 6 其中表示分别对C个不同数据指标的时序数据做快速傅里叶变换，表示取变换结果的振幅部分，表示计算C个数据指标维度上的平均振幅，最终获得多维时序数据随频率f变化的平均振幅集合； 为避免高频噪声带来的影响，选取时的前K个振幅值及其对应频率；这里第j个振幅对应的频率为，表示时间步长T下的周期个数，对应的周期长度为；表示取集合中的最大的前K个数，为的前K个最大振幅；表示取集合中的前K个最大值所对应的索引，通过获得振幅为A时所对应的频率f，为上取整函数，表示K个最显著的频率的相应周期长度； 步骤S3.2:通过步骤S3.1的处理，得到K个不同的周期长度，据此将原始时序数据切分堆叠，得到K个形状不同的多维张量； 7 公式7概述了该切分堆叠的具体过程，为了被切分的序列为的整数倍长度，切分堆叠前在尾部填充0至的整数倍，该操作用表示；表示将以为周期在时间维度上进行切分，并顺序的上下堆叠；表示基于第i个周期切分堆叠后得到的多维张量； 以作为神经网络的输入特征图，用以捕获相邻时间段趋势变化，不同周期间长期依赖，以及多个指标之间的依赖关系； 步骤S4：将输入特征图压缩激励，生成通道注意力图，用以调整输入特征图中各个指标权重；具体过程为： S4:将输入特征图压缩激励，生成通道注意力图，聚焦多指标数据的重要特征，抑制噪声序列的响应；在训练过程中，重构模型根据每个指标对重构效果的贡献程度学习权重分配方式，生成通道注意力图，用以调整输入特征图中各个指标权重；在通信设备的监控指标中，对于重要指标，将被赋予更高的权重，而对于重要性相对更低的指标将被赋予更低权重，减少其在卷积阶段对其他序列重构的影响； 各指标序列权重的计算与分配为： 对于输入特征图，对个指标序列分别进行平均池化、最大池化，聚合时间与周期维度信息，得到两个C维的池化特征图，完成特征图的压缩；然后将两个特征图送入包含一个隐藏层的共享的多层感知机，得到两个1x1xC的通道注意力图，完成特征图的激励，生成权重信息； 将经过多层感知机得到的两个通道注意力图相加、激活，最终生成输入特征图的通道注意力图；将作为各通道权重，也即各指标权重；为了减少参数量，隐藏层神经元的个数为Cr，r为降维系数；输入特征图对应通道注意力图的生成如公式8所示： 8 其中，和分别表示平均池化和最大池化，表示多层感知机；通过卷积注意力模块的压缩与激励，提取输入特征图每个通道的抽象特征；表示ReLU激活函数，将相加结果通过非线性变换映射到输出端；生成通道注意力图作为权重矩阵，为输入的每个通道分配不同权重； 9 其中，表示对和s的逐元素乘法； 步骤S5：对特征图加权后，执行卷积操作得到，用以同时捕获多指标时序数据的周期内与周期间变化，以及不同指标间的相互依赖关系； 步骤S6：将步骤S5的卷积结果输出重组到一维张量输出，得到堆叠卷积模块的输出序列； 步骤S7：对于步骤S6的卷积模块输出序列，通过多层感知机学习不同周期下堆叠卷积结果的深层抽象时序数据特征，输出得到结果； 步骤S8：将初始的趋势序列分量与加权聚合，输出残差序列，并作为下一层的输入； 步骤S9：采用损失函数，逐层更新每层参数； 步骤S10：进行异常检测，基于训练集重构结果和计算重构误差，并根据预输入的超参数异常率找出异常阈值；计算异常得分，与异常阈值比较进行异常判断；如果该异常得分大于异常阈值，则判定该时间点存在异常。

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邮电大学，其通讯地址为：210000 江苏省南京市鼓楼区新模范马路66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。