-
公开(公告)号：CN112529678B
公开(公告)日：2023-06-23
申请号：CN202011543431.4
申请日：2020-12-23
Applicant: 华南理工大学
IPC: G06Q40/04 , G06N3/0895 , G06N3/047 , G06N3/084 , G06F18/2415
Abstract: 本发明公开了一种基于自监督判别式网络的金融指数时序异常检测方法，该方法基于自监督下采样模块及代理监督网络模块两个组成部分实现。其中，自监督下采样模块通过对时序信息进行下采样并赋予每一条时序子序列一个关于下采样尺度信息的标记。输入时间序列经过自监督下采样模块后产生一个带有尺度信息标记的样本集合，紧接着通过一个代理监督网络模块实现对样本集合中不同尺度的分类，从而实现对输入时间序列的特征建模。最后基于代理监督网络模块的损失函数值作为异常检测指标对金融指数时间序列样本进行异常检测。本发明公开的异常检测方法具有训练高效的特点，同时达到了高精度的金融指数时间序列异常检测效果。
-
公开(公告)号：CN112529678A
公开(公告)日：2021-03-19
申请号：CN202011543431.4
申请日：2020-12-23
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于自监督判别式网络的金融指数时序异常检测方法，该方法基于自监督下采样模块及代理监督网络模块两个组成部分实现。其中，自监督下采样模块通过对时序信息进行下采样并赋予每一条时序子序列一个关于下采样尺度信息的标记。输入时间序列经过自监督下采样模块后产生一个带有尺度信息标记的样本集合，紧接着通过一个代理监督网络模块实现对样本集合中不同尺度的分类，从而实现对输入时间序列的特征建模。最后基于代理监督网络模块的损失函数值作为异常检测指标对金融指数时间序列样本进行异常检测。本发明公开的异常检测方法具有训练高效的特点，同时达到了高精度的金融指数时间序列异常检测效果。
-
公开(公告)号：CN109919205A
公开(公告)日：2019-06-21
申请号：CN201910136093.3
申请日：2019-02-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多头自注意力机制的卷积回声状态网络时序分类方法，该方法基于编码器与解码器两个组成部分实现。其中，编码器由多头自注意力机制的回声状态网络所构成。输入时间序列首先经由多个回声状态网络进行高维映射编码生成原始的回声状态特征，紧接着基于自注意力机制实现对回声状态特征全局时空信息的再度编码，从而使得重新整合后的高维特征表示更具判别能力。最后由一个浅层的卷积神经网络作为解码器实现高精度分类。该方法建立的分类模型继承了回声状态网络训练高效的特点，通过引入无额外参数的自注意力机制模型实现了对时空特征信息的再度编码，达到了高精度的时间序列分类效果，是一个简单高效的模型。
-
-
Search Results
3
records
(took 0.018 seconds)
