CN114548281B 一种基于无监督自适应权重的心脏数据异常检测方法 （深圳恒远志达信息科技有限公司）

道横朗社区华兴路13号智云产业园A一种基于无监督自适应权重的心脏数据异本发明请求保护一种基于无监督自适应权层次数据之间的特征；构造高斯核密度估计模数中构造数据低维特征的数据分布的KL散度以23)、在潜空间的低维表示和相应层对应的5)、在损失函数中构造数据低维特征的数据分布的Kull所述步骤1)中将心脏测值数据x输入变分自编码器，通过编码器提取输编码器将输入数据x映射为潜在空间的多层低维表示hlat2所述步骤3)中通过构造潜空间的低维表示和相应层对应的重构数据之间的自适应重Llatent包括了自编码器中每一层输出的重构损失；len(hlatent)表示潜在空间中编码器h'表示解码所述步骤4)中构造自适应重构损失正则项Δ,即增强损失较小的重构损失，减弱损失3所述步骤5)中在损失函数中构造数据低维特征的数据分布的KL散度相对熵以优化采μi所述步骤6)中对高斯和密度估计模型建模，通过高斯核密度估计模2.根据权利要求1所述的一种基于无监督自适应权重的心脏数据异常检测方法，其特h4[0003]由于当前基于变分自编码器的异常检测算法没有关注到不同层低维表示的优化5入数据x的潜空间分布，并通过解码器将编码器得到的数据分布生成重构的心脏测值数据布中随机采样数据得到z送入解码器，得到与编码器对应的多层低维表示的重构数据间的自适应重构损失Llatent，保留图像特征从高维到低维的数据一致性，自适应重构损失[0025]Llatent包括了自编码器中每一层输出的重构损失。len(hlatent)表示潜在空间中编6[0030]进一步的，所述步骤5)中在损失函数中构造数据低维特征的数据分布的KL散度μi而成的高斯核密度估计模型的入参,re_eu7[0044]将心脏测值数据x输入变分自编码器，通过编码器提取输入数梯度优化自动学习不同重构损失的权重参数，以避免模型的无差异性学习和倾向性学习；在损失函数中构造数据低维特征的数据分布的Kullback-Leibler(KL)散度以优化采样样[0047]将心脏测值数据x输入变分自编码器，通过编码器提取输[0051]在损失函数中构造数据低维特征的数据分布的Kullback-Leibler(KL)散度以优[0052]对高斯和密度估计模型建模，通过高斯核密度估计模型来拟合数据中的正常样8[0068]进一步的，其所述在损失函数中构造数据低维特征的数据分布的Kullback-μi9而成的高斯核密度估计模型的入参,re_e[0077]通过编码器提取输入数据x的潜空间分布，并通过解码器将编码器得到的数据分[0087]通过构造潜空间的低维表示和相应层对应的重构数据之间的自适应重构损失[0095]其中，len(hlatent)表示潜在空间中编码器和解码器对应的低维表示的组数，hi[0097]在损失函数中构造数据低维特征的数据分布的Kullback-Leibler(KL)散度以优μi[0101]对高斯和密度估计模型建模，通过高斯核密度估计模型来拟合数据中的正常样[0103]est_input＝h+re_euclidean[0105]其中est_input表示输