本發(fā)明涉及異常檢測(cè)，具體是指一種基于多層次動(dòng)態(tài)分析的智能檢測(cè)預(yù)警方法。

背景技術(shù)：

1、檢測(cè)預(yù)警方法是一類結(jié)合了人工智能算法和傳統(tǒng)監(jiān)測(cè)手段，用于對(duì)復(fù)雜系統(tǒng)或環(huán)境中的異常、故障、風(fēng)險(xiǎn)等進(jìn)行提前預(yù)警和檢測(cè)的方法。這類方法能夠通過自動(dòng)化分析大量數(shù)據(jù)，識(shí)別潛在的風(fēng)險(xiǎn)和異常情況，給出早期警告，從而為系統(tǒng)運(yùn)行提供保護(hù)并提高系統(tǒng)的可靠性。但是一般檢測(cè)預(yù)警方法存在采用隨機(jī)或固定的樣本集進(jìn)行訓(xùn)練進(jìn)而導(dǎo)致訓(xùn)練單一，無法適應(yīng)檢測(cè)預(yù)警模型的復(fù)雜運(yùn)行環(huán)境，對(duì)邊界處數(shù)據(jù)的預(yù)測(cè)能力弱導(dǎo)致檢測(cè)精度不足的問題；一般檢測(cè)預(yù)警方法存在對(duì)模型參數(shù)調(diào)整時(shí)收斂速度慢，無法有效控制優(yōu)化方向，無法保持全局搜索的有效性，進(jìn)而導(dǎo)致模型無法高效地捕捉到關(guān)鍵特征并發(fā)出精準(zhǔn)的預(yù)警信號(hào)的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于多層次動(dòng)態(tài)分析的智能檢測(cè)預(yù)警方法，針對(duì)一般檢測(cè)預(yù)警方法存在采用隨機(jī)或固定的樣本集進(jìn)行訓(xùn)練進(jìn)而導(dǎo)致訓(xùn)練單一，無法適應(yīng)檢測(cè)預(yù)警模型的復(fù)雜運(yùn)行環(huán)境，對(duì)邊界處數(shù)據(jù)的預(yù)測(cè)能力弱導(dǎo)致檢測(cè)精度不足的問題，本方案通過迭代選擇有信息的樣本，并結(jié)合加權(quán)采樣策略，在減少樣本的情況下提升異常檢測(cè)精準(zhǔn)性，采樣策略專注于潛在極限狀態(tài)邊界附近的樣本，能夠顯著提高模型對(duì)故障邊界的識(shí)別能力，通過迭代采樣策略和收斂性檢查，有效防止模型過度依賴初始數(shù)據(jù)，避免傳統(tǒng)方法中容易出現(xiàn)的過擬合或欠擬合問題，實(shí)現(xiàn)了高效準(zhǔn)確預(yù)警；針對(duì)一般檢測(cè)預(yù)警方法存在對(duì)模型參數(shù)調(diào)整時(shí)收斂速度慢，無法有效控制優(yōu)化方向，無法保持全局搜索的有效性，進(jìn)而導(dǎo)致模型無法高效地捕捉到關(guān)鍵特征并發(fā)出精準(zhǔn)的預(yù)警信號(hào)的問題，本方案借助引力強(qiáng)度和衰減系數(shù)以及隨機(jī)擾動(dòng)來優(yōu)化個(gè)體的位置，加速模型的收斂；確保智能預(yù)警模型在面對(duì)復(fù)雜非線性數(shù)據(jù)時(shí)，通過多維度探索找到最優(yōu)的解決方案，及時(shí)識(shí)別出潛在風(fēng)險(xiǎn)；通過引入重要性分?jǐn)?shù)，模型能夠識(shí)別哪些個(gè)體對(duì)模型訓(xùn)練貢獻(xiàn)最大，從而在下一次迭代中重點(diǎn)優(yōu)化這些重要個(gè)體，動(dòng)態(tài)調(diào)整模型的重要性分?jǐn)?shù)，有效控制優(yōu)化方向；重載比例的引入使得模型具備了自適應(yīng)調(diào)整的能力，確保在多次迭代中依然能夠保持全局搜索的有效性，使得模型具備更強(qiáng)的自我修正能力，適應(yīng)不同風(fēng)險(xiǎn)場(chǎng)景；能夠在動(dòng)態(tài)變化的系統(tǒng)中保持高效、準(zhǔn)確的檢測(cè)與預(yù)警能力。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種基于多層次動(dòng)態(tài)分析的智能檢測(cè)預(yù)警方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：建立智能檢測(cè)預(yù)警模型；

6、步驟s4：基于多層次動(dòng)態(tài)分析的智能檢測(cè)預(yù)警。

7、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)采集是采集多層次動(dòng)態(tài)數(shù)據(jù)；所述多層次動(dòng)態(tài)數(shù)據(jù)包括物理層數(shù)據(jù)、模型層數(shù)據(jù)、功能層數(shù)據(jù)、安全層數(shù)據(jù)和狀態(tài)類型；狀態(tài)類型包括狀態(tài)正常和狀態(tài)異常；將狀態(tài)類型作為數(shù)據(jù)標(biāo)簽。

8、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理是對(duì)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)集劃分；所述數(shù)據(jù)清洗是對(duì)缺失值、重復(fù)值和異常值處理；所述數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)轉(zhuǎn)換為向量形式并進(jìn)行標(biāo)準(zhǔn)化處理；所述數(shù)據(jù)集劃分是通過原數(shù)據(jù)的原始概率分布生成包含nmc個(gè)樣本的蒙特卡羅總體，作為初始候選樣本，表示為：；使用均勻采樣進(jìn)行初步選擇，權(quán)重系數(shù)為，得到數(shù)據(jù)集，并劃分為測(cè)試集和訓(xùn)練集；式中，smc是生成的蒙特卡羅樣本集，是第i個(gè)樣本，是原始概率分布值。

9、進(jìn)一步地，在步驟s3中，所述建立智能檢測(cè)預(yù)警模型具體包括以下步驟：

10、步驟s31：初始訓(xùn)練；利用訓(xùn)練集訓(xùn)練編碼器結(jié)構(gòu)的aae-sdr神經(jīng)網(wǎng)絡(luò)；aae-sdr神經(jīng)網(wǎng)絡(luò)包括編碼器和解碼器，通過編碼器損失函數(shù)優(yōu)化，表示為：；初步生成潛在空間中的潛在表征，并學(xué)習(xí)潛在極限狀態(tài)函數(shù)；式中，lae是編碼器損失函數(shù)，x是輸入數(shù)據(jù)，是編碼器函數(shù)，是解碼器函數(shù)；

11、步驟s32：樣本識(shí)別；使用初始訓(xùn)練好的aae-sdr神經(jīng)網(wǎng)絡(luò)識(shí)別錯(cuò)誤分類的樣本，錯(cuò)誤分類的樣本是在潛在極限狀態(tài)函數(shù)中被預(yù)測(cè)錯(cuò)誤的樣本，表示為：；基于潛在表征到潛在極限狀態(tài)邊界的距離選擇候選樣本，表示為：；式中，是預(yù)測(cè)標(biāo)簽；error是錯(cuò)誤分類，y是真實(shí)標(biāo)簽，是篩選后的樣本集，k是收斂系數(shù)，τ是當(dāng)前訓(xùn)練次數(shù)，lsf是極限狀態(tài)函數(shù)，d(·)是歐氏距離，是從潛在失效樣本到極限狀態(tài)邊界的最大允許距離；

12、步驟s33：加權(quán)采樣；從候選樣本中通過加權(quán)采樣選擇樣本，權(quán)重系數(shù)基于樣本潛在表征的概率密度，表示為：；式中，是針對(duì)潛在表征z的加權(quán)概率，p(z)是潛在表征z的概率密度函數(shù)；

13、步驟s34：模型訓(xùn)練；使用更新后的數(shù)據(jù)集重新訓(xùn)練aae-sdr神經(jīng)網(wǎng)絡(luò)，每次訓(xùn)練完成后返回步驟s32；

14、步驟s35：估算失效概率；通過aae-sdr神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)蒙特卡羅總體中每個(gè)樣本的極限狀態(tài)函數(shù)值，并估算失效概率，所用公式如下：

15、；

16、式中，是估算的失效概率；i[·]是指示函數(shù)；nmc是樣本數(shù)量；

17、步驟s36：收斂性檢查；驗(yàn)證相鄰迭代中的失效概率之間的相對(duì)差異，當(dāng)相對(duì)差異小于預(yù)定的閾值ecr時(shí)，智能檢測(cè)預(yù)警模型訓(xùn)練完成，若訓(xùn)練完成的智能檢測(cè)預(yù)警模型對(duì)測(cè)試集的分類正確率高于正確率閾值，則智能檢測(cè)預(yù)警模型建立完成，否則重新劃分?jǐn)?shù)據(jù)集并轉(zhuǎn)至步驟s37調(diào)整模型參數(shù)；所用公式如下：

18、；

19、式中，和分別是第τ次和第τ-1次訓(xùn)練時(shí)的失效概率；是相對(duì)差異；

20、步驟s37：調(diào)整模型參數(shù)；具體包括：

21、步驟s371：基于距離閾值、收斂系數(shù)、截?cái)喾植紖?shù)、收斂閾值和aae-sdr神經(jīng)網(wǎng)絡(luò)初始參數(shù)建立參數(shù)優(yōu)化空間；隨機(jī)初始化搜索種群中個(gè)體位置，將基于個(gè)體位置訓(xùn)練的智能檢測(cè)預(yù)警模型對(duì)測(cè)試集的預(yù)測(cè)正確率作為個(gè)體適應(yīng)度值；

22、步驟s372：位置更新；所用公式如下：

23、；

24、式中，和分別是第t+1次和第t次迭代時(shí)第i1個(gè)體第j維度的位置；β0是控制引力強(qiáng)度的常數(shù)；μ是衰減系數(shù)，r是第j維度當(dāng)前個(gè)體與全局最優(yōu)解之間的距離；是第t次迭代第j維度全局最優(yōu)位置；是第i1個(gè)體適應(yīng)度值；rand是0-1的隨機(jī)數(shù)；

25、步驟s373：定義重要性分?jǐn)?shù)；所用公式如下：

26、；

27、式中，ft+1和ft分別是第t+1次迭代和第t次迭代時(shí)種群的重要性分?jǐn)?shù)；pn是種群中個(gè)體數(shù)量；是第i1個(gè)體第t次迭代時(shí)的歷史最高適應(yīng)度值；是種群平均適應(yīng)度值；

28、步驟s374：計(jì)算重載比例；預(yù)先設(shè)有重要性閾值，當(dāng)種群重要性分?jǐn)?shù)低于重要性閾值時(shí)，基于重載比例對(duì)種群低適應(yīng)度值個(gè)體進(jìn)行重新初始化個(gè)體位置；計(jì)算重載比例所用公式如下：

29、；

30、式中，pp是重載比例；ppmin是最小重載比例；ppmax是最大重載比例；

31、步驟s375：搜索判定；預(yù)先設(shè)有適應(yīng)度閾值，當(dāng)存在個(gè)體適應(yīng)度值高于適應(yīng)度閾值時(shí)，得到基于個(gè)體位置建立的智能檢測(cè)預(yù)警模型；否則，若達(dá)到最大迭代次數(shù)，則轉(zhuǎn)至步驟s371，否則轉(zhuǎn)至步驟s372。

32、進(jìn)一步地，在步驟s4中，所述基于多層次動(dòng)態(tài)分析的智能檢測(cè)預(yù)警是基于建立完成的智能檢測(cè)預(yù)警模型，實(shí)時(shí)采集物理層數(shù)據(jù)、模型層數(shù)據(jù)、功能層數(shù)據(jù)和安全層數(shù)據(jù)，經(jīng)預(yù)處理后輸入至智能檢測(cè)預(yù)警模型，若智能檢測(cè)預(yù)警模型輸出的狀態(tài)類型為狀態(tài)異常，則進(jìn)行預(yù)警處理。

33、采用上述方案本發(fā)明取得的有益效果如下：

34、（1）針對(duì)一般檢測(cè)預(yù)警方法存在采用隨機(jī)或固定的樣本集進(jìn)行訓(xùn)練進(jìn)而導(dǎo)致訓(xùn)練單一，無法適應(yīng)檢測(cè)預(yù)警模型的復(fù)雜運(yùn)行環(huán)境，對(duì)邊界處數(shù)據(jù)的預(yù)測(cè)能力弱導(dǎo)致檢測(cè)精度不足的問題，本方案通過迭代選擇有信息的樣本，并結(jié)合加權(quán)采樣策略，在減少樣本的情況下提升異常檢測(cè)精準(zhǔn)性，采樣策略專注于潛在極限狀態(tài)邊界附近的樣本，能夠顯著提高模型對(duì)故障邊界的識(shí)別能力，通過迭代采樣策略和收斂性檢查，有效防止模型過度依賴初始數(shù)據(jù)，避免傳統(tǒng)方法中容易出現(xiàn)的過擬合或欠擬合問題，實(shí)現(xiàn)了高效準(zhǔn)確預(yù)警。

35、（2）針對(duì)一般檢測(cè)預(yù)警方法存在對(duì)模型參數(shù)調(diào)整時(shí)收斂速度慢，無法有效控制優(yōu)化方向，無法保持全局搜索的有效性，進(jìn)而導(dǎo)致模型無法高效地捕捉到關(guān)鍵特征并發(fā)出精準(zhǔn)的預(yù)警信號(hào)的問題，本方案借助引力強(qiáng)度和衰減系數(shù)以及隨機(jī)擾動(dòng)來優(yōu)化個(gè)體的位置，加速模型的收斂；確保智能預(yù)警模型在面對(duì)復(fù)雜非線性數(shù)據(jù)時(shí)，通過多維度探索找到最優(yōu)的解決方案，及時(shí)識(shí)別出潛在風(fēng)險(xiǎn)；通過引入重要性分?jǐn)?shù)，模型能夠識(shí)別哪些個(gè)體對(duì)模型訓(xùn)練貢獻(xiàn)最大，從而在下一次迭代中重點(diǎn)優(yōu)化這些重要個(gè)體，動(dòng)態(tài)調(diào)整模型的重要性分?jǐn)?shù)，有效控制優(yōu)化方向；重載比例的引入使得模型具備了自適應(yīng)調(diào)整的能力，確保在多次迭代中依然能夠保持全局搜索的有效性，使得模型具備更強(qiáng)的自我修正能力，適應(yīng)不同風(fēng)險(xiǎn)場(chǎng)景；能夠在動(dòng)態(tài)變化的系統(tǒng)中保持高效、準(zhǔn)確的檢測(cè)與預(yù)警能力。