嵌入式系统上的节能异常检测和推断的制作方法

本公开的各方面整体涉及神经网络。

背景技术：

1、人工神经网络可以包括互连的人工神经元组(例如，神经元模型)。人工神经网络可以是计算设备或表示为由计算设备执行的方法。卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(cnn)(诸如深度卷积神经网络(dcn))具有众多应用。具体而言，这些神经网络架构被用于各种技术，诸如图像识别、模式识别、语音识别、自动驾驶和其他分类任务。

技术实现思路

1、本公开在独立权利要求中分别阐述。本公开的一些方面在从属权利要求中描述。

2、在本公开的一方面，提供了一种用于异常检测和推断的方法。该方法包括：接收输入。该方法还包括：使用人工神经网络(ann)来提取该输入的一组特征以生成该输入的潜在表示。另外，该方法包括：基于该潜在表示使用该ann来生成该输入的重构。另外，该方法包括：基于所生成的重构和该输入来确定重构误差。该方法还包括：基于该重构误差与预定义阈值的比较来确定该输入包括分布内数据还是分布外数据。此外，该方法包括：响应于该输入被确定为包括分布外数据而检测到异常。

3、在本公开的一方面，提供了一种用于异常检测和推断的装置。该装置包括存储器以及耦合到该存储器的一个或多个处理器。该处理器被配置为：接收输入。该处理器还被配置为：使用人工神经网络(ann)来提取该输入的一组特征以生成该输入的潜在表示。此外，该处理器被配置为：基于该潜在表示使用该ann来生成该输入的重构。另外，该处理器被配置为：基于所生成的重构和该输入来确定重构误差。该处理器还被配置为：基于该重构误差与预定义阈值的比较来确定该输入包括异常还是分布内数据。此外，该处理器被配置为：响应于该输入被确定为包括分布外数据而检测到异常。

4、在本公开的一方面，提供了一种用于异常检测和推断的装置。该装置包括：用于接收输入的部件。该装置还包括：用于使用人工神经网络(ann)来提取该输入的一组特征以生成该输入的潜在表示的部件。另外，该装置包括：用于基于该潜在表示使用该ann来生成该输入的重构的部件。另外，该装置包括：用于基于所生成的重构和该输入来确定重构误差的部件。该装置还包括：用于基于该重构误差与预定义阈值的比较来确定该输入包括异常还是分布内数据的部件。此外，该装置包括：用于响应于该输入被确定为包括分布外数据而检测到异常的部件。

5、在本公开的一个方面，提供了一种非暂态计算机可读介质。该计算机可读介质上编码有用于异常检测和推断的程序代码。该程序代码由处理器执行并且包括用于接收输入的代码。该程序代码还包括：用于使用人工神经网络(ann)来提取该输入的一组特征以生成该输入的潜在表示的代码。另外，该程序代码包括：用于基于该潜在表示使用该ann来生成该输入的重构的代码。另外，该程序代码包括：用于基于所生成的重构和该输入来确定重构误差的代码。该程序代码还包括：用于基于该重构误差与预定义阈值的比较来确定该输入包括异常还是分布内数据的代码。此外，该程序代码包括：用于响应于该输入被确定为包括分布外数据而检测到异常的代码。

6、上文已经相当广泛地概述了根据本公开的示例的特征和技术优点，以便可以更好地理解下面的具体实施方式。将描述附加特征和优点。所公开的概念和特定示例可以容易地被用作用于修改或设计用于实现本公开的相同目的其他结构的基础。此类等效的构造不背离所附权利要求书的保护范围。所公开的概念的特性在其组织和操作方法两方面以及相关联的优势将通过结合附图来考虑以下描述而被更好地理解。提供每个附图是出于例示和描述的目的，而不是作为权利要求的限制的定义。

技术特征：

1.一种处理器实现的方法，包括：

2.根据权利要求1所述的处理器实现的方法，其中所述预定义阈值包括训练数据集的均值平均误差、均方误差、标准偏差或它们的组合中的一者。

3.根据权利要求1所述的处理器实现的方法，其中所述预定义阈值是动态可编程的。

4.根据权利要求1所述的处理器实现的方法，其中编码器产生所述输入的所述潜在表示，解码器生成所述输入的所述重构，并且所述编码器的权重参数与所述解码器共享。

5.根据权利要求1所述的处理器实现的方法，还包括：响应于检测到所述异常而将所述分布外数据保存到训练数据集。

6.根据权利要求1所述的处理器实现的方法，还包括：响应于所述输入是分布内数据的确定而向决策模型供应所述潜在表示，所述决策模型基于所述潜在表示来计算推断。

7.根据权利要求6所述的处理器实现的方法，其中所述提取是经由编码器执行的并且所述生成是经由解码器执行的；并且所述编码器和所述解码器是经由数字信号处理器或神经处理单元部署的并且所述决策模型是经由中央处理单元或图形处理单元部署的。

8.一种装置，包括：

9.根据权利要求8所述的装置，其中所述预定义阈值包括训练数据集的均值平均误差、均方误差、标准偏差或它们的组合中的一者。

10.根据权利要求8所述的装置，其中所述预定义阈值是动态可编程的。

11.根据权利要求8所述的装置，其中编码器产生所述输入的所述潜在表示，解码器生成所述输入的所述重构，并且所述编码器的权重参数与所述解码器共享。

12.根据权利要求8所述的装置，其中所述至少一个处理器被进一步配置为：响应于检测到所述异常而将所述分布外数据保存到训练数据集。

13.根据权利要求8所述的装置，其中所述至少一个处理器被进一步配置为：响应于所述输入是分布内数据的确定而向决策模型供应所述潜在表示，所述决策模型基于所述潜在表示来计算推断。

14.根据权利要求13所述的装置，其中所提取的一组特征是经由编码器产生的并且所述重构是经由解码器生成的，所述编码器和所述解码器是经由数字信号处理器或神经处理单元部署的并且所述决策模型是经由中央处理单元或图形处理单元部署的。

15.一种装置，包括：

16.根据权利要求15所述的装置，其中所述预定义阈值包括训练数据集的均值平均误差、均方误差、标准偏差或它们的组合中的一者。

17.根据权利要求15所述的装置，其中所述预定义阈值是动态可编程的。

18.根据权利要求15所述的装置，其中编码器用于产生所述输入的所述潜在表示，解码器用于生成所述输入的所述重构，并且所述编码器的权重参数与所述解码器共享。

19.根据权利要求18所述的装置，其中所述编码器和所述解码器是经由数字信号处理器或神经处理单元部署的。

20.根据权利要求15所述的装置，还包括：响应于所述输入是分布内数据的确定而向决策模型供应所述潜在表示，所述决策模型基于所述潜在表示来计算推断。

21.根据权利要求20所述的装置，其中编码器用于提取所述一组特征并且解码器用于生成所述重构，所述编码器和所述解码器是经由数字信号处理器或神经处理单元部署的并且所述决策模型是经由中央处理单元或图形处理单元部署的。

22.一种其上编码有程序代码的非暂态计算机可读介质，所述程序代码由处理器执行并且包括：

23.根据权利要求22所述的非暂态计算机可读介质，其中所述预定义阈值包括训练数据集的均值平均误差、均方误差、标准偏差或它们的组合中的一者。

24.根据权利要求22所述的非暂态计算机可读介质，其中所述预定义阈值是动态可编程的。

25.根据权利要求22所述的非暂态计算机可读介质，其中编码器产生所述输入的所述潜在表示，解码器生成所述输入的所述重构，并且所述编码器的权重参数与所述解码器共享。

26.根据权利要求22所述的非暂态计算机可读介质，还包括：用于响应于检测到所述异常而将所述分布外数据保存到训练数据集的程序代码。

27.根据权利要求22所述的非暂态计算机可读介质，还包括：用于响应于所述输入是分布内数据的确定而向决策模型供应所述潜在表示的程序代码，所述决策模型基于所述潜在表示来计算推断。

28.根据权利要求27所述的非暂态计算机可读介质，还包括：用于经由编码器产生所提取的一组特征的程序代码和用于经由解码器生成所述重构的程序代码，所述编码器和所述解码器是经由数字信号处理器或神经处理单元部署的并且所述决策模型是经由中央处理单元或图形处理单元部署的。

技术总结一种异常检测和节能推断确定的方法包括接收输入。使用人工神经网络(ANN)来提取该输入的一组特征以生成该输入的潜在表示。基于该潜在表示使用该ANN来生成该输入的重构。基于所生成的重构和该输入来计算重构误差。将该重构误差与预定义阈值进行比较以确定是分布内数据还是分布外数据。响应于分布外确定而检测到异常。响应于该输入被确定为分布内数据而向决策模型提供该潜在表示。继而，该决策模型基于该潜在表示来计算推断。技术研发人员：赵海军受保护的技术使用者：高通股份有限公司技术研发日：技术公布日：2024/11/4