基于伪标签的无监督电力数据异常检测框架

电力系统容易受到各种异常用电行为的影响,异常检测可以提高电力系统的可靠性。针对现有异常检测模型存在阈值选择困难、精度低等问题,提出了一个基于伪标签的无监督异常检测框架PLAD。框架由伪标签提取模块PLE和基于重构误差的异常检测模块READ组成。PLE模块中提出了一种基于DBSCAN的自适应伪标签提取算法,用于提取电力数据的伪标签。READ模块采用双LSTM自编码器提取多级时序特征,并得到重构误差,后利用伪标签训练逻辑回归分类器,对重构误差进行分类,进行异常判定。通过某地区的电网运行数据验证了所提方法的有效性,实验结果表明,所提方法优于其他无监督异常检测方法。     

基于重构误差的无监督人脸伪造视频检测

目前有监督的人脸伪造视频检测方法需要大量标注数据。为解决视频伪造方法迭代快、种类多等现实问题，将时序异常检测中的无监督思想引入人脸伪造视频检测，将伪造视频检测任务转为无监督的视频异常检测任务，提出一种基于重构误差的无监督人脸伪造视频检测模型。首先，抽取待检测视频中连续帧的人脸特征点序列；其次，基于偏移特征、局部特征、时序特征等多粒度信息对待检测视频中人脸特征点序列进行重构；然后，计算原始序列与重构序列之间的重构误差；最后，根据重构误差的波峰频率计算得分对伪造视频进行自动检测。实验结果表明，在FaceShifter、FaceSwap等人脸视频伪造方法上，与LRNet(Landmark Recurrent Network)、Xception-c23等检测方法相比，所提方法的检测性能的曲线下方面积（AUC）最多增加了27.6%，移植性能的AUC最多增加了30.4%。     

基于双自编码器和Transformer网络的异常检测方法

基于自编码器（AE）的异常检测方法利用重构误差判断待测样本是正常数据还是异常数据。然而,上述方法在正常数据与异常数据上产生的重构误差非常接近,导致部分异常数据很容易被错分为正常数据。为解决上述问题,提出一种由两个并行的AE和一个Transformer网络组成的异常检测方法——DATN-ND。首先,Transformer网络利用输入样本的瓶颈特征生成伪异常数据的瓶颈特征,从而在训练集中增加异常数据信息;其次,双AE将带有异常数据信息的瓶颈特征尽可能地重构为正常数据,增加异常数据与正常数据的重构误差差别。与记忆增强自编码器（MemAE）相比,DATN-ND在MNIST、Fashion-MNIST、CIFAR-10数据集上ROC曲线下面积（AUC）分别提升6.8、12.0和2.5个百分点。实验结果表明,DATN-ND能够有效扩大正常数据和异常数据在重构误差上的差别。     

基于深度孪生自回归网络的无监督异常用电检测

异常用电检测旨在识别出不符合正常用电规律或者违反用电合约的用电行为。针对现有基于重构的检测方法依赖标记的正常样本和难以捕捉复杂时间依赖性的问题,提出一种基于深度孪生自回归网络的无监督异常用电行为检测模型（DSAD）。所提模型通过两个孪生自回归子网络来分别独立地对无标记的输入数据进行重构,再将两个子网络的重构误差相结合来预测数据中的正常样本,并利用多头自注意力机制来有效地捕捉时间依赖性、周期性和随机性等复杂特征。在大规模时序数据集和国家电网真实用电数据集上进行实验所获得的结果表明,所提模型在AUC以及AP等性能指标上取得了更好的检测效果。     

基于集成LSTM自编码器的多维时间序列异常检测

针对长短时记忆网络自编码器(LSTM-AE)在多维时间序列(MTS)上异常检测效率低的问题,提出一种基于集成LSTM-AE(LAE)的MTS异常检测模型。该模型集成多个LSTM-AE分别重构正常MTS各子序列,并将各重构误差作为MTS的局部特征;利用全连接网络自编码器(FCAE)对各重构误差数据进行拟合,学习MTS数据的全局特征;根据FCAE的重构误差进行异常检测。在三个公共MTS数据集上的实验表明,与基准方法相比,在Precision、Recall和F₁＿score三个评价指标下分别最大提升0.058 4、0.118 4和0.078 6。     

基于时序异常检测的动力电池安全预警

电动汽车由于电池内部异常情况无法得到及时预测与预警，易导致事故发生，给驾驶员和乘客的生命和财产安全带来严重威胁。针对上述问题，提出基于Transformer和对比学习的编码器解码器（CT-ED）模型用于多元时间序列异常检测。首先，通过数据增强构造一个实例的不同视图，并利用对比学习捕获数据的局部不变特征；其次，基于Transformer对数据从时间依赖和特征依赖两方面进行编码；最后，通过解码器重构数据，计算重构误差作为异常得分，对实际工况下的机器进行异常检测。在SWaT、SMAP和MSL这3个公开数据集和电动汽车动力电池（EV）数据集上的实验结果表明，所提模型的F1值对比次优模型分别提升6.5%、1.8%、0.9%和7.1%。以上结果表明CT-ED适用于不同实际工况下的异常检测，平衡了异常检测的精确率和召回率。     

基于图像重构与语义差异识别的表面异常检测

基于图像重构的方法是表面异常检测中一类广泛使用的方法。该类方法仅期望模型较好地重构正常模式，并通过异常区域较大的重构误差来检测和定位异常。已有方法一方面易出现“泛化”过好的现象，异常区域也被高保真地重构了出来；另一方面仅在图像空间度量重构误差，并没有真正捕捉到原图和重构图之间的语义差异。为了解决上述问题，文中提出了由重构网络和识别网络组成的表面异常检测框架，其中重构网络嵌入了多尺度位置增强动态原型单元，强化了对正常模式的学习；识别网络进行了输入图和重构图的多尺度深度特征融合，从多个尺度利用了重构前后的语义差异信息，强化了对重构差异的识别。在MVTec数据集上，所提方法在异常检测任务上取得了99.5%的AUROC,在异常定位任务上取得了98.5%的AUROC,以及95.0%的RPO检测表现，与之前基于重构的表面异常检测方法相比取得了较大提升。     

基于重构误差的地下电缆管道异常检测方法

针对地下电缆管道异常图像样本数量稀少、异常检测难度大等问题，提出一种基于重构误差的地下电缆管道异常检测方法。该方法构建了基于编解码器结构的异常检测模型，将卷积注意力模块(CBAM)嵌入编解码器之间以增强网络的特征提取能力，同时，在编解码器之间使用残差连接，以增强模型对图像细节的重建能力。在训练阶段引入伪随机异常模块，提高模型对异常区域的映射重建能力。实验结果表明，所提方法在公开数据集MVTec上的图像级和与像素级的平均AUROC分别为97.2%和95.9%,在自建数据集WEN＿piple上的图像级与像素级的平均AUROC分别为99.9%和97.3%。与其他9种异常检测方法相比所提方法能够有效地对电缆管道内的复杂异常情况进行精确的检测。     

基于密度的多波束水深数据异常检测方法仿真

针对传统的多波束水深数据异常检测方法无法满足大区域、高密度测水深的要求,提出了基于密度的多波束水深数据异常检测方法。分析多波束系统的原始数据格式,对原始多波束水深数据进行提取。在分析系统主要误差来源的基础上,对条带辅助参数进行预处理。利用中值滤波、局部方差以及小波分析相结合的方法来定位异常数据,实现多波束水深数据异常检测。为验证上述研究方法的有效性,进行一次实验。实验结果表明,与传统方法相比,所提方法能够高精度检测出水深探测中的异常数据,且在实际应用中具有更小的残差值。根据实验结果可以得出结论:上述研究所设计的多波束水深数据异常检测方法符合该领域应用要求。     

一种基于重构误差的交通轨迹异常检测方法

传感器技术的飞速发展催生了大量交通轨迹数据,轨迹异常检测在智慧交通、城市规划、道路监控等领域具有重要的应用价值。针对传统基于距离和有监督机器学习异常检测方法提取有效特征困难、容易出现过拟合、异常检测效果差等问题,提出了一种基于轨迹重构误差的无监督异常检测方法。该方法使用基于循环神经网络的自编码器对输入轨迹进行重构,通过最小化重构输出和原始输入之间的差异,使模型学习正常轨迹的运动特征。重构误差大于异常阈值的轨迹被判定为异常轨迹。为了避免人工标注异常,利用数据驱动的交通模拟方法,合成了包含不同异常类型的轨迹数据。基于交通轨迹标注数据的实验结果表明,该方法的异常检测性能在各项指标上显著优于传统基于距离的方法以及机器学习分类算法,验证了该无监督方法的有效性和实用性。     

基于校园卡消费数据的学生消费水平判别模型建立

校园卡系统是高校信息化建设的重要组成部分,使用校园卡可以在校内任意商户进行消费,通过对学生消费数据的分析研究可以得出学生的真实消费水平.通过对学生校园卡消费数据的分析,根据主成分分析确定学生消费中的决定性指标,并基于K-means聚类算法将学生消费水平分为四类,通过判别分析建立学生消费水平判别模型,可以判别出学生的消费水平情况,对学校决策及贫困生资助等工作提供了数据支持和决策辅助.     

一种混合的信用卡欺诈检测模型

信用卡欺诈检测是一个重要的问题,为了提升对于真实世界的信用卡欺诈数据的识别率,提出了一种混合的信用卡欺诈检测模型AWFD(Anomaly weight of credit card fraud detection),首先通过异常检测的方法将数据划分为可信和异常数据,然后利用半监督的方法训练一个集成模型,最终再利用异常检测进一步剔除检测结果中的异常结果。AWFD在保障对于可信数据的学习效果上,通过半监督集成学习的方法,利用异常数据进一步扩充集成模型的多样性,并将异常检测和集成模型融合。实验结果表明,比起一些传统的机器学习方法,AWFD可以提高整体的信用卡欺诈检测的识别率。     

基于数据挖掘的建筑能耗异常检测研究

建筑能耗异常检测对于建筑管理和运行至关重要,论文提出了一种基于D-S证据理论的不平衡数据多划分(Multi-partition,MP)聚类算法,并构建MP算法能耗异常检测模型对建筑能耗中的异常值进行准确检测。首先通过改进的信任c均值算法将能耗数据集多划分；利用基于K-NN的均值漂移算法确定数据集的真实类别个数；然后根据密度合并规则对能耗数据进行合并；最后对未合并的能耗数据再次划分得到最终的能耗异常检测结果。UCI数据集验证结果表明,MP算法对于不平衡数据聚类效果良好,能够有效避免样本“均匀效应”,降低错误率；通过对某大型商场建筑空调和照明用电能耗异常值检测,验证了MP算法能耗异常检测模型的有效性。     

基于DGPS航迹偏差的多旋翼无人机磁干扰检测技术研究

为了解决多旋翼无人机在飞行作业过程中受到环境磁干扰导致作业异常的问题,在使用DGPS进行差分定位的基础上,提出了一种基于航迹偏差的多旋翼无人机磁干扰检测技术;其基本原理是,当多旋翼无人机受到磁场干扰时,其飞行航迹会偏离预设航线,检测其航迹的偏离距离,通过与阈值比较,可以用来判断是否存在环境磁干扰;实验结果表明该方法可以有效检测环境磁场异常,在某些情况下比传统的磁航向角误差阈值检测方法可靠性更高,虚警率更小;综合使用航迹偏差检测方法和磁航向角误差检测方法,可有效(提高)环境磁场异常检测的准确度,降低虚警率。     

时空属性关系标签的频繁轨迹模式挖掘

校园卡技术的广泛应用是高校信息化程度的重要标志，其中学生消费数据隐含了强大的潜在价值，对其进行挖掘具备重大的实用意义。由此，提出一种将校园消费流水数据转换为带有时空属性的消费轨迹树DP-DBSCAN算法和带有关系标签的频繁轨迹挖掘模式FP-TRtree。DP-DBSCAN算法采用时间分块、顺序查询和距离度量，能高效地将数据转换为FP-TRtree带有顺序的频繁一项集，同时无需考虑参数问题，也避免了查询每个数据点最近邻对象的巨大耗时。FP-TRtree模式按顺序添加关系值，支持度降序排序，并对相同轨迹节点间的关系标签不断迭代优化。可视化分析结果表明，该数据转换算法和挖掘模式不但可以发现频繁消费的学生关系轨迹网及孤立人群，而且能定量描述节点间学生的消费亲密程度，同时也减少了数据库扫描次数以及树分支的建立。实验结果不仅符合学生实际消费情况，还能从复杂的消费网络中发现隐含的信息，为院校管理、领导决策提供可参照的依据。     

基于中心化Jaccard匹配的SD卡光学字符验证

为了解决安全数码卡(SD卡,secure digital card)表面字符人工验证效率差、准确率低的问题,提出了一种基于中心化Jaccard匹配的SD卡光学字符验证方法,能够实现SD卡表面字符的精密检测与自动验证。首先,提出了一种基于HSV三通道直方图分析的快速验证方法,实现特征显著SD卡图像的准确验证;其次,针对SD卡字符验证精度受光照变化和微小旋转影响的问题,提取V通道图像和变化角度特征,提高HOG特征对光照和旋转变化的抵抗能力;最后,针对相似SD卡字符的验证问题,提出了一种中心化广义Jaccard系数,增强了相似度指标的辨别力,实现了特征相似图像的精密检测。以实际场景采集的数据对所提方法进行验证分析,试验结果表明,该算法准确率达到99.15%,具有很好的实用性和鲁棒性。     

基于融合时空数据的车辆加油行为多视图深度异常检测框架

车辆加油时空数据多源异构、关系复杂,现有成熟的异常检测方法难以对时空离散的加油活动数据进行分析,因此提出基于融合时空数据的车辆加油行为多视图深度异常检测框架。首先基于统一概念模型（UCM）对静态信息和动态活动数据进行关联融合管理,然后从空间视图、时间视图和语义视图角度对时空数据进行编码和转换,最后基于三种视图构建深度时空异常分析检测框架。车辆加油时空数据集上的实验结果表明,多种异常检测方法在融合时空数据上均可取得更低均方根误差（RMSE）,平均降低10.73%,所提方法比现有主流方法中结果最好的长短时记忆网络（LSTM）的RMSE降低19.36%。在信用卡欺诈公开数据集上的实验结果表明,所提方法较之逻辑回归模型,马修斯系数（MCC）提高了32.78%。以上实验验证了所提方法的有效性。     

校园一卡通的系统构建及安全保证

校园一卡通在学校的各项活动实施中具有非常重要的作用,一卡通系统在整个校园中起着联系所有系统管理的桥梁性的作用,通过与其他管理系统进行信息连接,能够使整个信息网络有效地结合起来,高效带动了校园网络的运作。校园一卡通不仅仅可以用来消费,它也是整个校园网络管理系统的重要核心模块,校园一卡通的应用,极大地提高了校园管理网络的管理效率,与此同时,我们也应当积极关注校园一卡通在使用过程中存在的安全问题,针对数字化校园安全中的数据安全、网络安全、卡片的安全性等做好各项安全保障工作。     

基于分类样本和贝叶斯动态预测的异常入侵检测

在大规模网络环境中,入侵检测系统得到的警报数据具有一定的规律。据此提出了一种基于警报事件强度的异常检测方法,采用分类样本空间和贝叶斯动态预测方法,解决了警报数据的时间效应问题。实验数据分析表明,该方法对于大规模入侵行为具有较好的检测效果。     

一种基于Attention-GRU和iForest的周期性时间序列异常检测算法

对数据中异常模式的检测（异常检测）是数据分析领域一个非常重要的研究方向,尤其对时间序列的异常检测是其中的一个难点。目前,关于时序数据异常检测的研究有很多,如利用滑动窗口、小波分析、概率图模型、循环神经网络等不同技术来进行检测,但是在处理问题时还存在或多或少的不足,无法保证实际工程中的实时效率和准确性。针对周期性时间序列异常检测问题,提出一种基于Attention-GRU和iForest的异常检测算法,根据带有注意力机制的循环神经网络构建模型,实现预测长序列数据,保证工程检测效率,并通过iForest建立正常数据波动区间,避免了使用假设检验造成的误差。经实践验证,该算法能够提高实际工程中的周期性时序数据异常检测效率,并有较好的召回率和准确率。