基于并行Transofmer-GRU的多变量时序异常检测方法及系统

    公开(公告)号:CN115510975A

    公开(公告)日:2022-12-23

    申请号:CN202211189813.0

    申请日:2022-09-28

    IPC分类号: G06K9/62 G06N3/04 G06N3/08

    摘要: 本发明提供了一种多变量时序异常检测方法及系统,包括以下过程:首先将数据进行预处理输入到特征提取模块中;利用T‑Transformer‑GRU提取时序数据的时间信息;利用F‑Transformer‑GRU提取数据的全局特征关联性;然后将两者进行结合形成新的数据维度作为异常检测模块的输入;通过GRU将新特征分别输入到重构模块和预测模块中,识别数据中的异常;将两者结果进行最优化组合得到异常检测分数;最后,将分数与提前设定好的阈值进行对比输入检测结果。本系统包括数据预处理、特征提取模块和异常检测模块。本发明既捕获数据的时间信息又捕获特征之间的关联性,并将预测和重构两种方式进行最优化结合,提高异常检测精度,增强系统的稳定性,能够处理多种时序数据异常检测任务。

    一种基于Faster RCNN改进的芯片缺陷识别方法

    公开(公告)号:CN115049635A

    公开(公告)日:2022-09-13

    申请号:CN202210796619.2

    申请日:2022-07-06

    摘要: 本发明提供了一种基于Faster RCNN改进的芯片缺陷检测方法,涉及工业目标检测领域,该方法包括:对数据集进行预处理,采集训练样本集,把样本集导入Faster RCNN,通过特征提取网络对图像样本集进行特征提取,将提取到的特征输入到RPN模块进行训练生成建议框,通过样本集训练和微调得到Faster RCNN模型,使用Faster RCNN模块保存的训练参数对待检测芯片图像进行芯片缺陷检测;该样本集是使用公共合成PCB(印刷电路板)数据集训练所得出的模型,改进了特征提取网络,并使用权重自适应器进行加强学习,在一定程度上提高了检测速度和准确率,使得该发明具有更高的灵活性和识别精度,在电子信息产业中具有更好的实用价值和应用前景。