本發(fā)明屬于數(shù)據(jù)處理，具體涉及一種數(shù)據(jù)庫系統(tǒng)日志解析與處理分析方法。

背景技術(shù)：

1、隨著信息技術(shù)的快速發(fā)展，數(shù)據(jù)庫系統(tǒng)在組織和個人的日常運(yùn)作中扮演著越來越重要的角色。這些系統(tǒng)產(chǎn)生的大量操作日志包含了豐富的操作信息，如查詢語句、執(zhí)行時間、用戶信息及對數(shù)據(jù)庫結(jié)構(gòu)的更改等。然而，這些日志數(shù)據(jù)的規(guī)模龐大且復(fù)雜，傳統(tǒng)的日志分析方法難以有效處理和分析，尤其是在實時監(jiān)控和安全威脅識別方面。

2、針對該問題，申請?zhí)枮閏n202010886796.0的中國發(fā)明專利提出一種基于機(jī)器學(xué)習(xí)的應(yīng)用程序控制方法和系統(tǒng)，所述方法包括：獲取所述應(yīng)用程序的歷史運(yùn)行數(shù)據(jù)獲得樣本集；為所述樣本集的樣本建立標(biāo)簽；根據(jù)所述樣本集及其標(biāo)簽基于機(jī)器學(xué)習(xí)的方法獲得第一模型；選擇所述應(yīng)用程序運(yùn)行的一種或多種指標(biāo)；判斷所述指標(biāo)的當(dāng)前值是否超出預(yù)設(shè)范圍；若是，基于第一模型對所述應(yīng)用程序的當(dāng)前數(shù)據(jù)進(jìn)行測算；根據(jù)所述測算結(jié)果對應(yīng)用程序的進(jìn)程數(shù)進(jìn)行控制。先對指標(biāo)的區(qū)間進(jìn)行預(yù)判，再通過第一模型對超出合理區(qū)間的數(shù)據(jù)進(jìn)行預(yù)測，對指標(biāo)的區(qū)間進(jìn)行預(yù)判的計算量小，利于節(jié)約計算資源；通過第一模型對應(yīng)用程序的進(jìn)程數(shù)進(jìn)行測算，作為二次篩選和判斷，以控制應(yīng)用程序的進(jìn)程數(shù)，調(diào)整應(yīng)用程序的處理量。申請?zhí)枮閏n202410796336.7的中國發(fā)明專利提出一種網(wǎng)絡(luò)安全數(shù)據(jù)處理技術(shù)，尤其涉及基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全威脅檢測方法及系統(tǒng)。所述方法包括以下步驟：基于預(yù)設(shè)的網(wǎng)絡(luò)數(shù)據(jù)監(jiān)測腳本對網(wǎng)絡(luò)接口數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)流監(jiān)測處理，生成流量監(jiān)測數(shù)據(jù)；對流量監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)包解析，生成流量解析數(shù)據(jù)；對流量解析數(shù)據(jù)進(jìn)行流量解析數(shù)據(jù)的結(jié)構(gòu)化異常與溯源異常分析，以得到異常流量解析數(shù)據(jù)；根據(jù)溯源常規(guī)流量解析數(shù)據(jù)對流量監(jiān)測數(shù)據(jù)進(jìn)行初步安全流量監(jiān)測數(shù)據(jù)提取，生成初步安全流量監(jiān)測數(shù)據(jù)；對初步安全流量行為數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)攻擊流量識別，生成網(wǎng)絡(luò)攻擊流量數(shù)據(jù)；基于網(wǎng)絡(luò)攻擊流量數(shù)據(jù)設(shè)計網(wǎng)絡(luò)攻擊流量安全攔截機(jī)制。本發(fā)明通過機(jī)器學(xué)習(xí)分析流量異常特征，實現(xiàn)高效地網(wǎng)絡(luò)安全威脅檢測。申請?zhí)枮閏n202410372019.2的中國發(fā)明專利提出一種基于機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)安全事件分類方法和系統(tǒng)。所述基于機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)安全事件分類方法包括：收集網(wǎng)絡(luò)完全事件對應(yīng)的數(shù)據(jù)信息，生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；從數(shù)據(jù)庫中調(diào)取用于進(jìn)行網(wǎng)絡(luò)安全事件分類的機(jī)器學(xué)習(xí)算法模型，并對所述機(jī)器學(xué)習(xí)算法模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的機(jī)器學(xué)習(xí)算法模型；利用所述測試數(shù)據(jù)集對所述機(jī)器學(xué)習(xí)算法模型進(jìn)行測試，獲取機(jī)器學(xué)習(xí)算法模型的測試結(jié)果；當(dāng)所述測試結(jié)果不滿足預(yù)設(shè)的分類要求時，對所述機(jī)器學(xué)習(xí)算法模型進(jìn)行重新訓(xùn)練直至所述機(jī)器學(xué)習(xí)算法模型的測試結(jié)果滿足預(yù)設(shè)的分類要求。所述系統(tǒng)包括與所述方法步驟對應(yīng)的模塊。

3、上述技術(shù)方案在一定程度上能夠解決部分問題，但同時存在以下問題仍需進(jìn)一步解決：

4、1、現(xiàn)有技術(shù)在數(shù)據(jù)采集與標(biāo)注過程中可能面臨數(shù)據(jù)量不足或標(biāo)注效率低下的問題，導(dǎo)致模型訓(xùn)練缺乏足夠的高質(zhì)量樣本。

5、2、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在特征提取時可能會遇到梯度問題或局部最優(yōu)解，影響模型的穩(wěn)定性和性能。

6、3、現(xiàn)有技術(shù)在特征降維過程中可能無法有效保留數(shù)據(jù)的關(guān)鍵信息，導(dǎo)致重構(gòu)質(zhì)量下降。

7、4、現(xiàn)有分類算法可能無法精確地對輸入數(shù)據(jù)進(jìn)行編碼和分類，特別是在面對復(fù)雜或具有特定特征的數(shù)據(jù)時，分類精度和適應(yīng)性可能不足。

技術(shù)實現(xiàn)思路

1、本發(fā)明提出一種數(shù)據(jù)庫系統(tǒng)日志解析與處理分析方法，通過利用訓(xùn)練完成的模型處理新樣本，能夠快速、準(zhǔn)確地對數(shù)據(jù)庫系統(tǒng)日志進(jìn)行分類和分析，在面對新的日志記錄時能夠即時做出響應(yīng)，識別出可能的安全威脅或異常行為，為數(shù)據(jù)庫系統(tǒng)的安全管理和故障診斷提供了重要依據(jù)，不僅提高了系統(tǒng)的實時監(jiān)控能力，還為運(yùn)維人員提供了可靠的決策支持工具。

2、本發(fā)明采取的技術(shù)方案是：

3、一種數(shù)據(jù)庫系統(tǒng)日志解析與處理分析方法，包括以下步驟：

4、s1、數(shù)據(jù)采集與標(biāo)注：數(shù)據(jù)采集于數(shù)據(jù)庫操作日志，所述數(shù)據(jù)庫操作日志記錄數(shù)據(jù)庫在操作期間所有事務(wù)的詳細(xì)信息，包括查詢語句、執(zhí)行時間、用戶信息以及對數(shù)據(jù)庫結(jié)構(gòu)的更改；所采集的日志數(shù)據(jù)以結(jié)構(gòu)化的json格式存儲，并對采集到的數(shù)據(jù)進(jìn)行人工標(biāo)注；

5、s2、數(shù)據(jù)擴(kuò)充：采用基于自適應(yīng)噪聲抑制學(xué)習(xí)的生成對抗網(wǎng)絡(luò)進(jìn)行樣本生成，進(jìn)而實現(xiàn)數(shù)據(jù)擴(kuò)充；

6、s3、特征提取模型訓(xùn)練：將擴(kuò)充后的數(shù)據(jù)輸入到特征提取模型中進(jìn)行特征提取模型的訓(xùn)練，采用6層的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，現(xiàn)有技術(shù)中，一些方案使用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，在某些神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，可能會遇到梯度消失、梯度爆炸或陷入局部最優(yōu)解的問題，影響訓(xùn)練的穩(wěn)定性和模型的性能。具體采用基于策略梯度調(diào)整的神經(jīng)網(wǎng)絡(luò)特征提取模型提取數(shù)據(jù)庫系統(tǒng)日志數(shù)據(jù)的關(guān)鍵特征，在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上采用策略梯度的方法允許網(wǎng)絡(luò)在學(xué)習(xí)過程中自動調(diào)整其行為策略，優(yōu)化特征提取效率和準(zhǔn)確性。

7、s4、特征降維模型訓(xùn)練：將特征提取后的數(shù)據(jù)輸入到特征降維模型中進(jìn)行特征降維模型的訓(xùn)練，具體采用自編碼器算法作為特征降維模型，所述自編碼器算法由編碼器和解碼器組成，編碼器負(fù)責(zé)將高維輸入數(shù)據(jù)壓縮成低維特征表示，解碼器則嘗試從這些低維表示重構(gòu)原始輸入數(shù)據(jù)。本發(fā)明在編碼器和解碼器的每層中采用量子干涉策略，通過模擬量子態(tài)的干涉模式來優(yōu)化信息的流動，增強(qiáng)特征提取和數(shù)據(jù)重構(gòu)的精度。

8、s5、分類器模型訓(xùn)練：將降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器模型的訓(xùn)練，具體采用基于隱式神經(jīng)表示的極限學(xué)習(xí)機(jī)算法作為分類算法；在極限學(xué)習(xí)機(jī)算法的基礎(chǔ)上，采用隱式函數(shù)來表示神經(jīng)元的激活狀態(tài)，不僅包括線性或非線性激活，還對特定數(shù)據(jù)特征的適應(yīng)性學(xué)習(xí)，使得每個神經(jīng)元能更加精確地對其輸入進(jìn)行編碼，進(jìn)而提高分類性能和分類精度。

9、s6、日志解析與操作行為識別：利用訓(xùn)練好的模型對新日志樣本進(jìn)行處理，首先將采集的原始數(shù)據(jù)輸入到訓(xùn)練完成的特征提取和特征降維模型中進(jìn)行特征處理，再將處理得到的特征輸入到分類器模型中進(jìn)行分類器的訓(xùn)練，進(jìn)而得到分類結(jié)果。

10、進(jìn)一步的，步驟s2的數(shù)據(jù)擴(kuò)充，具體的訓(xùn)練流程如下：

11、s201、對生成器和判別器的參數(shù)進(jìn)行初始化，包括生成器的權(quán)重和偏置參數(shù)，以及判別器的權(quán)重和偏置參數(shù)，初始化的方式為隨機(jī)初始化；

12、s202、基于當(dāng)前網(wǎng)絡(luò)狀態(tài)，利用自適應(yīng)噪聲模塊生成初步的噪聲向量，自適應(yīng)噪聲的生成方式表示為：

13、zc＝ac⊙(μc+σc⊙∈c)

14、式中，zc為生成的噪聲向量；μc為噪聲的均值向量；σc為噪聲的標(biāo)準(zhǔn)差向量；∈c為標(biāo)準(zhǔn)正態(tài)分布中采樣得到的隨機(jī)噪聲；⊙為元素級乘法；ac為噪聲注意力權(quán)重向量；

15、其中，噪聲的標(biāo)準(zhǔn)差向量的計算方式表示為：

16、

17、式中，sig()為sigmoid激活函數(shù)，βc為可學(xué)習(xí)的放縮參數(shù)，tanh()是雙曲正切函數(shù)，nc表示自適應(yīng)噪聲模塊網(wǎng)絡(luò)層中的節(jié)點數(shù)，wc,i為自適應(yīng)噪聲模塊網(wǎng)絡(luò)層第i個節(jié)點的權(quán)重，bc,i為自適應(yīng)噪聲模塊網(wǎng)絡(luò)層第i個節(jié)點的偏置，dout為自適應(yīng)噪聲模塊網(wǎng)絡(luò)層的輸入向量；

18、通過對抗性注意力權(quán)重向量，動態(tài)選擇和強(qiáng)化對生成質(zhì)量影響最大的特征，從而提高生成數(shù)據(jù)的真實性和多樣性，計算方式表示為：

19、ac＝sof(vctanh(wc,azc+bc,a))

20、式中，wc,a和bc,a分別為學(xué)習(xí)的參數(shù)矩陣和偏置向量；vc為注意力調(diào)節(jié)參數(shù)；sof()為softmax函數(shù),用于歸一化權(quán)重；

21、s203、生成器g使用調(diào)整后的噪聲向量生成新的日志數(shù)據(jù)，生成方式表示為：

22、xc＝g(zc,θc)

23、式中，xc表示生成的日志數(shù)據(jù)；g()為生成器函數(shù)；θc為生成器的參數(shù)；

24、s204、根據(jù)判別器的反饋，調(diào)整生成器的參數(shù)，具體采用復(fù)合損失函數(shù)優(yōu)化生成過程，確保生成的日志數(shù)據(jù)更加逼真，表示為：

25、

26、式中，為復(fù)合損失函數(shù)，λc是第一正則化參數(shù)，γc是第二正則化系數(shù)，∥∥表示l2范數(shù)；

27、s205、根據(jù)判別器的性能調(diào)整噪聲的均值向量，噪聲的均值向量的增量的計算方式表示為：

28、

29、式中，δμc為噪聲的均值向量的增量；ηc為噪聲調(diào)整學(xué)習(xí)率；為復(fù)合損失函數(shù)關(guān)于均值向量的梯度；

30、噪聲的均值向量的更新方式表示為：

31、μc(t+1)＝μc(t)+δμc

32、式中，μc(t+1)為第t+1次迭代的噪聲的均值向量；μc(t)為第t次迭代的噪聲的均值向量；

33、s206、重復(fù)迭代步驟s201-s205，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成。

34、進(jìn)一步的，步驟s3的特征提取模型訓(xùn)練，具體的訓(xùn)練流程如下：

35、s301、設(shè)置神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)，包括神經(jīng)網(wǎng)絡(luò)的權(quán)重wp和神經(jīng)網(wǎng)絡(luò)的偏置bp，初始化的方式為隨機(jī)初始化；

36、s302、輸入經(jīng)過數(shù)據(jù)擴(kuò)充后的數(shù)據(jù)庫日志數(shù)據(jù)到神經(jīng)網(wǎng)絡(luò)中，進(jìn)行數(shù)據(jù)的前向傳播，計算得到神經(jīng)網(wǎng)絡(luò)的每個層級的輸出特征；具體采用自適應(yīng)噪聲調(diào)制增強(qiáng)輸入特征向量的隨機(jī)性，以實現(xiàn)增強(qiáng)模型對輸入數(shù)據(jù)的理解和處理能力；

37、對于第1層神經(jīng)網(wǎng)絡(luò)，其計算方式表示為：

38、hp(1)＝sig(wp(1)xp′+bp(1))

39、

40、式中，xp為輸入神經(jīng)網(wǎng)絡(luò)的特征向量；⊙為元素級乘法；表示均值為0、標(biāo)準(zhǔn)差為單位矩陣的正態(tài)分布噪聲，i為單位矩陣；σp(xp)為基于輸入的自適應(yīng)標(biāo)準(zhǔn)差函數(shù)；xp′為調(diào)制后的輸入特征向量；wp(1)為神經(jīng)網(wǎng)絡(luò)輸入層到第一隱藏層的權(quán)重矩陣；bp(1)為神經(jīng)網(wǎng)絡(luò)輸入層到第一隱藏層的偏置向量；sig()為sigmoid激活函數(shù)；hp(1)為神經(jīng)網(wǎng)絡(luò)的第一隱藏層的輸出；

41、對于第2層神經(jīng)網(wǎng)絡(luò)至第6層神經(jīng)網(wǎng)絡(luò)的傳遞，計算方式表示為：

42、hp(i)＝sig(wp(i)hp(i-1)+bp(i))

43、式中，hp(i)為神經(jīng)網(wǎng)絡(luò)的第i層的輸出，hp(i-1)為神經(jīng)網(wǎng)絡(luò)的前一隱藏層(即第i-1層)輸出；wp(i)為神經(jīng)網(wǎng)絡(luò)的第i層的權(quán)重；bp(i)為神經(jīng)網(wǎng)絡(luò)的第i層的偏置；

44、s303、利用策略梯度方法調(diào)整網(wǎng)絡(luò)策略，增強(qiáng)對關(guān)鍵特征的識別能力，具體是所述策略梯度方法根據(jù)策略函數(shù)來計算神經(jīng)網(wǎng)絡(luò)權(quán)重的更新量，計算方式表示為：

45、

46、式中，δwp為神經(jīng)網(wǎng)絡(luò)的權(quán)重的更新量；αp為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率；tnn為神經(jīng)網(wǎng)絡(luò)的總迭代次數(shù)；γp為折扣因子，為第t次迭代的折扣因子；wp為神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；gt為在第t次迭代的回報；為對權(quán)重的梯度；πp()為策略函數(shù)；πp(at|st,wp)決定參數(shù)為wp時，給定狀態(tài)st下采取更新策略at的概率；其中，梯度的計算方式表示為：

47、

48、式中，rt為即時獎勵；bp(st)為狀態(tài)st下的基線函數(shù)；st為第t次迭代的狀態(tài)；at為第t次迭代的更新策略；qp()為動作價值函數(shù)；qp(st,at,wp)表示參數(shù)為wp時，在狀態(tài)st下采取更新策略at的預(yù)期收益；

49、動作價值函數(shù)的計算方式表示為：

50、

51、式中，為第k次迭代的折扣因子；rt+k為第t+k次的更新參數(shù)值；rt+k|st表示給定狀態(tài)st下的第t+k次的更新參數(shù)值；

52、s304、在每次前向傳播后，激活神經(jīng)元競爭機(jī)制，根據(jù)每個神經(jīng)元的輸出貢獻(xiàn)評估其重要性，通過預(yù)設(shè)閾值對神經(jīng)元的活躍程度進(jìn)行篩選，優(yōu)先訓(xùn)練那些更活躍的神經(jīng)元，對于活躍程度高的神經(jīng)元，其權(quán)重的更新方式表示為：

53、

54、式中，←為參數(shù)更新符號；ηp為神經(jīng)網(wǎng)絡(luò)反向傳播的學(xué)習(xí)率；cap()為內(nèi)容感知函數(shù)；hp(i)(t)為第t次迭代時第i層神經(jīng)網(wǎng)絡(luò)的隱藏層輸出；wp(i)表示第i層神經(jīng)網(wǎng)絡(luò)的權(quán)重；jp()為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)相對于權(quán)重wp(i)的梯度；

55、其中，神經(jīng)網(wǎng)絡(luò)的損失函數(shù)定義為：

56、

57、式中，mnn是當(dāng)前批次輸入的訓(xùn)練樣本的數(shù)量；c是類別的總數(shù)；yij是如果第i個樣本屬于第j個類別則為1，否則為0；pij是模型第i個預(yù)測樣本屬于第j個類別的概率；

58、內(nèi)容感知函數(shù)根據(jù)當(dāng)前層輸出的信息含量動態(tài)調(diào)整權(quán)重更新的強(qiáng)度，內(nèi)容感知函數(shù)的計算方式表示為：

59、

60、式中，cap(hp)表示基于當(dāng)前層輸出hp的內(nèi)容感知權(quán)重調(diào)整因子；∥∥為l2范數(shù)；hp為隱藏層的輸出；

61、s305、重復(fù)迭代步驟s301-s304，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成。

62、進(jìn)一步的，步驟s4的特征降維模型訓(xùn)練，具體的訓(xùn)練流程如下：

63、s401、初始化編碼器和解碼器的權(quán)重和偏置參數(shù)，初始化的方式為隨機(jī)初始化；

64、s402、輸入特征提取后的數(shù)據(jù)，通過編碼器進(jìn)行多層轉(zhuǎn)換，每一層都利用量子干涉策略來增強(qiáng)特征提取能力，最終形成的低維特征表示是對輸入數(shù)據(jù)的壓縮表達(dá)，表示為：

65、zr＝tanh(wr·xr+br)⊙cos(φ(xr))

66、式中，zr表示編碼后的低維特征向量，xr為輸入的特征提取后的特征向量；wr為編碼層的權(quán)重矩陣；br為編碼層的偏置向量；tanh()是雙曲正切函數(shù)；cos()表示模擬量子干涉策略的余弦變換；φ()為編碼特征的相位調(diào)節(jié)函數(shù)，φ(xr)為根據(jù)輸入數(shù)據(jù)動態(tài)變化的相位調(diào)節(jié)函數(shù)；

67、其中，相位調(diào)節(jié)函數(shù)的計算方式表示為：

68、

69、式中，wφ,k是第一參數(shù)矩陣，w′φ,k是第二參數(shù)矩陣，所述第一參數(shù)矩陣和第二參數(shù)矩陣分別用于對輸入特征xr進(jìn)行變換，以產(chǎn)生分子和分母的線性組合；xrk為輸入的特征提取后的特征向量的第k列；arctan()函數(shù)用于將線性組合轉(zhuǎn)換為相位角，提供一個周期性變化的角度，以模擬量子態(tài)的相位變化；

70、s403、在解碼過程中，編碼器輸出的低維特征表示被送入解碼器，解碼器通過相反的多層結(jié)構(gòu)嘗試重構(gòu)原始輸入數(shù)據(jù)，并采用量子干涉策略來優(yōu)化重構(gòu)質(zhì)量，表示為：

71、yr＝w′r·(zr⊙sin(φ(zr)))+b′r

72、式中，yr為解碼后的重構(gòu)數(shù)據(jù)；w′r為解碼層的權(quán)重矩陣；b′r為解碼層的偏置向量；sin()表示正弦變換，與編碼階段的余弦變換相對應(yīng)，以實現(xiàn)數(shù)據(jù)的完整重構(gòu)；φ()為編碼特征的相位調(diào)節(jié)函數(shù)，計算方式與步驟s402中所述的相位調(diào)節(jié)函數(shù)相同；

73、s404、根據(jù)自編碼器的損失函數(shù)計算梯度，并通過反向傳播算法更新編碼器和解碼器的參數(shù)，更新方式表示為：

74、

75、式中，ηr為自編碼器的學(xué)習(xí)率；sgn()為權(quán)重的符號函數(shù)；αr為自編碼器的調(diào)節(jié)系數(shù)；ψ()為自編碼器的調(diào)節(jié)函數(shù)；er為重構(gòu)誤差因子；

76、其中，重構(gòu)誤差因子er的計算方式表示為：

77、er＝∥xr-yr∥2

78、式中，∥∥為l2范數(shù)；

79、自編碼器的調(diào)節(jié)函數(shù)的計算方式表示為：

80、

81、式中，kr為調(diào)節(jié)敏感性系數(shù)，θr為錯誤閾值；

82、s405、重復(fù)迭代步驟s401-s404，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成。

83、進(jìn)一步的，步驟s5的分類器模型訓(xùn)練，具體的訓(xùn)練流程如下：

84、s501、采用密度感知機(jī)制初始化極限學(xué)習(xí)機(jī)的參數(shù)，以此確保模型對稀疏數(shù)據(jù)區(qū)域的敏感性，所述極限學(xué)習(xí)機(jī)的參數(shù)包括極限學(xué)習(xí)機(jī)的權(quán)重和偏置參數(shù)；具體采用以下公式計算：

85、wu(0)＝sig(au·xu+cu)

86、bu(0)＝0

87、式中，wu為極限學(xué)習(xí)機(jī)的權(quán)重，wu(0)為極限學(xué)習(xí)機(jī)的初始權(quán)重；bu為極限學(xué)習(xí)機(jī)的偏置，bu(0)為極限學(xué)習(xí)機(jī)的初始偏置；sig()為sigmoid激活函數(shù)；au為密度感知矩陣；xu為輸入的特征降維后的特征矩陣；cu為初始化偏置向量；

88、其中，密度感知矩陣的計算方式表示為：

89、au＝exp(-γu·∥xu-μu∥2)

90、式中，γu為密度調(diào)節(jié)參數(shù)；μu為輸入的數(shù)據(jù)中心的均值向量；

91、s502、將特征降維后的數(shù)據(jù)輸入到極限學(xué)習(xí)機(jī)中進(jìn)行前向傳播計算，極限學(xué)習(xí)機(jī)的隱含層采用隱式神經(jīng)表示學(xué)習(xí)方法處理，具體的，每個神經(jīng)元的輸出不僅取決于其激活函數(shù)，還通過隱式神經(jīng)表示函數(shù)根據(jù)輸入數(shù)據(jù)的特征進(jìn)行適應(yīng)性學(xué)習(xí)，前向傳播的計算方式表示為：

92、hu＝re(wu·xu+bu+ξu(xu))

93、式中，hu為極限學(xué)習(xí)機(jī)隱含層的輸出；ξu()為隱式神經(jīng)表示函數(shù)；re()為relu激活函數(shù)；

94、其中，隱式神經(jīng)表示函數(shù)的計算方式表示為：

95、

96、式中，為線性變換的第一權(quán)重矩陣；為線性變換的第二權(quán)重矩陣，為線性變換的第一偏置項；為線性變換的第二偏置項；tanh()為雙曲正切函數(shù)；αu為隱式神經(jīng)表示函數(shù)的加權(quán)因子；

97、s503、極限學(xué)習(xí)機(jī)的隱含層的輸出傳遞到極限學(xué)習(xí)機(jī)的輸出層，極限學(xué)習(xí)機(jī)的輸出層的神經(jīng)元直接計算與訓(xùn)練目標(biāo)的誤差，極限學(xué)習(xí)機(jī)的輸出層的權(quán)重通過解析方式求解，表示為：

98、wuout＝hu+·tu

99、式中，hu+為極限學(xué)習(xí)機(jī)的隱含層輸出的廣義逆矩陣；wuout為極限學(xué)習(xí)機(jī)的輸出層權(quán)重矩陣；tu為每個樣本的真實標(biāo)簽矩陣，也即目標(biāo)矩陣；

100、其中，隱含層輸出的廣義逆矩陣的計算方式表示為：

101、hu+＝(hut·hu+λui)-1·hut

102、式中，hut為隱含層輸出的轉(zhuǎn)置矩陣；λui為正則化項，λu為正則化參數(shù)，i為單位矩陣；(hut·hu+λui)-1表示對計算得到的矩陣求逆；

103、s504、動態(tài)調(diào)整隱式神經(jīng)表示函數(shù)，以優(yōu)化模型的特征提取能力，表示為：

104、ξu(xu)←ξu(xu)+αud·gu(xu,wu)

105、式中，αud為隱式神經(jīng)表示函數(shù)的學(xué)習(xí)率參數(shù)；gu()為預(yù)設(shè)的非線性映射函數(shù)；

106、s505、在訓(xùn)練過程中，極限學(xué)習(xí)機(jī)的輸出層的權(quán)重通過解析方式求解，而隱含層和隱式表示的權(quán)重通過極限學(xué)習(xí)機(jī)的損失函數(shù)進(jìn)行優(yōu)化，表示為：

107、

108、式中，ju為極限學(xué)習(xí)機(jī)的損失函數(shù)；λud為第一正則化參數(shù)，βud為第一正則化參數(shù)；tu為每個樣本的真實標(biāo)簽矩陣，也即目標(biāo)矩陣；hu為極限學(xué)習(xí)機(jī)隱含層的輸出；∥∥2為l2范數(shù)的平方，為l1范數(shù)的平方；ξcf為懲罰系數(shù)；

109、s506、重復(fù)迭代步驟s501-s505，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成。

110、進(jìn)一步地，在步驟s203中，通過判別器判別數(shù)據(jù)為真實數(shù)據(jù)還是生成的數(shù)據(jù)，判別器的優(yōu)化約束條件為：

111、

112、式中，φc為判別器的參數(shù)；d()為判別器函數(shù)；表示期望；～表示服從于特定分布；xcs為真實數(shù)據(jù)樣本；pdata為真實數(shù)據(jù)的分布；為噪聲分布；αc是動態(tài)調(diào)整的平衡因子。

113、進(jìn)一步地，在步驟s302中，基于輸入的自適應(yīng)標(biāo)準(zhǔn)差函數(shù)的計算方式表示為：

114、

115、式中,waes為自適應(yīng)標(biāo)準(zhǔn)差指數(shù)項，和分別為自適應(yīng)噪聲調(diào)制函數(shù)的權(quán)重和偏置。

116、進(jìn)一步地，在步驟s403中，計算重構(gòu)數(shù)據(jù)與原始輸入數(shù)據(jù)之間的差異，并使用自編碼器的損失函數(shù)評估該差異；所述自編碼器的損失函數(shù)的計算方式表示為：

117、

118、式中，jr為自編碼器的損失函數(shù)；λr為自編碼器的正則化參數(shù)；∥wr(i)∥1為自編碼器第i層權(quán)重的l1范數(shù)。

119、進(jìn)一步地，在步驟s505中，懲罰系數(shù)的計算方式表示為：

120、

121、式中，λus為懲罰系數(shù)的權(quán)重因子；c為總類別數(shù)；pu,k為當(dāng)前輸入樣本屬于第k類的概率；為指示函數(shù)；τu為動態(tài)調(diào)整后的閾值，用于影響最終分類決策；表示當(dāng)概率pu,k超過閾值τu時取值為1，否則為0；

122、式中，動態(tài)調(diào)整后的閾值τu的計算方式表示為：

123、

124、式中，為初始閾值；αus為不確定性影響因子；uu(hu)為極限學(xué)習(xí)機(jī)隱含層輸出的熵值；

125、式中，極限學(xué)習(xí)機(jī)隱含層輸出的熵值的計算方式表示為：

126、

127、式中，uu()為極限學(xué)習(xí)機(jī)隱含層輸出的熵值的計算函數(shù)。

128、懲罰系數(shù)基于不確定性度量計算得到，在度量分類的不確定性時，通過熵值計算極限學(xué)習(xí)機(jī)隱含層輸出。

129、本發(fā)明的有益效果：

130、1、本發(fā)明采用基于自適應(yīng)噪聲抑制學(xué)習(xí)的生成對抗網(wǎng)絡(luò)進(jìn)行樣本生成，解決了訓(xùn)練數(shù)據(jù)不足導(dǎo)致的模型泛化能力差的問題，生成器和判別器的協(xié)同工作，通過自適應(yīng)噪聲控制模塊動態(tài)調(diào)整噪聲信號，提高了生成數(shù)據(jù)的真實性和多樣性。

131、2、本發(fā)明通過采用策略梯度調(diào)整的神經(jīng)網(wǎng)絡(luò)特征提取模型，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在特征提取過程中可能出現(xiàn)的梯度消失、梯度爆炸或陷入局部最優(yōu)的問題，策略梯度方法允許網(wǎng)絡(luò)自動調(diào)整行為策略，優(yōu)化了特征提取的效率和準(zhǔn)確性。

132、3、本發(fā)明使用自編碼器算法進(jìn)行特征降維，并通過量子干涉策略模擬量子態(tài)的干涉模式，增強(qiáng)了特征提取和數(shù)據(jù)重構(gòu)的精度，有效壓縮了高維數(shù)據(jù)，同時保留了關(guān)鍵信息。

133、4、本發(fā)明基于隱式神經(jīng)表示的極限學(xué)習(xí)機(jī)算法，不僅提高了分類性能和精度，還通過隱式函數(shù)適應(yīng)性學(xué)習(xí)特定數(shù)據(jù)特征，使得每個神經(jīng)元能更精確地對輸入進(jìn)行編碼，進(jìn)而提高分類性能和分類精度。