1.一种基于对抗自编码器的混合异常检测方法,其特征在于,包括以下步骤:
对对抗自编码器模型进行改进,并利用改进后的所述对抗自编码器模型提取加噪输入数据特征;
对提取出来的两组特征性向量进行加权融合,得到融合特征向量;
将所述融合特征向量作为训练数据,利用集成学习的方式集成训练ifroest分类器、LOF分类器和K‑means分类器,得到检测分类器;
利用改进后的所述对抗自编码器模型提取测试集中的两组特征向量,并将两组所述特征向量融合后输入所述检测分类器,得到异常检测结果;
对对抗自编码器模型进行改进,并利用改进后的所述对抗自编码器模型提取加噪输入数据特征,包括:将LeakyReLU函数和Tanh函数作为对抗自编码器模型中的两个编码器中的第一至第三层卷积层和第四层卷积层的激活函数,并将生成器与第一编码器组成自编码器,以及对判别器的激活函数和映射函数进行改进;
将获取的数据集进行归一化处理,并将划分出的训练集进行加噪处理;
对改进后的所述对抗自编码器模型进行训练,提取出所述训练集的两组特征;
具体的,所述对抗自编码器模型包括第一编码器E1、第二编码器E2、一个生成器G和一个判别器D;
将数据集归一化为相同规格大小的单通道或者三通道图片;将数据集按照4:1拆分成训练集和测试集,在训练集上训练改进的对抗自编码器模型;在训练之前先对训练集进行加噪处理,能够更好的提取代表输入数据的特征;网络采用Adam算法更新网络各层的参数,迭代次数为200代;先训练生成器G和判别器D,待训练完成之后再用加噪数据训练编码器E1和E2;其中包含三个损失函数为:Lenc=||z1‑z2||2
Lcon=||x‑x'||1
Ladv=||f(x)‑f(x')||2
将m张相同像素大小的单通道加噪灰度图或者RGB三通道加噪图片输入到对抗自编码器模型中,加噪后的训练集表示为S={(x1,y1),...,(xm,ym)},其中,xi表示加噪后的n维数据,yi是数据标签;经过第一编码器E1的卷积层特征提取之后,每张图片表示成第一组特征向量Z1={(z11,y1),...,(z1m,ym)}的形式输出并储存;生成器G将这些特征向量作为输入重构训练集,输出重构后的数据S'={(x1',y1),...,(xm',ym)};判别器D负责确保重构后的数据与初始数据尽可能相似;第二编码器E2重新提取特征后,表示为第二组特征向量Z2={(z21,y1),...,(z2m,ym)}储存下来。
2.如权利要求1所述的基于对抗自编码器的混合异常检测方法,其特征在于,对改进后的所述对抗自编码器模型进行训练,提取出所述训练集的两组特征,包括:将加噪后的所述训练集输入改进后的所述对抗自编码器模型中,利用第一编码器进行特征提取,并利用所述生成器将提取出的第一组特征向量作为输入,重构所述训练集;
利用第二编码器对重构后的所述训练集进行特征提取,得到第二组特征向量。
3.如权利要求2所述的基于对抗自编码器的混合异常检测方法,其特征在于,对提取出来的两组特征性向量进行加权融合,得到融合特征向量,包括:将所述第一组特征向量与加权系数相乘,并将所述第二组特征向量与1减去所述加权系数相乘,然后将两个乘积相加,结合对应的标签,得到对应的融合特征向量。
4.如权利要求1所述的基于对抗自编码器的混合异常检测方法,其特征在于,将所述融合特征向量作为训练数据,利用集成学习的方式集成训练ifroest分类器、LOF分类器和K‑means分类器,得到检测分类器,包括:利用AdaBoost算法串行化处理三个分类器,先把所述融合特征向量当做训练集输入iforest分类器训练,调整权重分布,得到权重系数,再把所述训练集输入下一个分类器,直至ifroest分类器、LOF分类器和K‑means分类器训练完成,并将所有的所述权重系数集成,得到检测分类器。
5.如权利要求1所述的基于对抗自编码器的混合异常检测方法,其特征在于,利用改进后的所述对抗自编码器模型提取测试集中的两组特征向量,并将两组所述特征向量融合后输入所述检测分类器,得到异常检测结果,包括:对划分出的测试集进行加噪,并利用改进后的所述对抗自编码器模型中的第一编码器和第二编码器提取出两组特征向量;
将两组所述特征向量进行加权融合,并输入搜索检测分类器中,得到每个测试样本的异常检测结果。