本發(fā)明涉及人工智能，具體涉及一種面向車載終端的車輛行為異常模式識別方法。

背景技術(shù)：

1、申請?zhí)枮閏n202410552900.0的中國發(fā)明專利提出一種物聯(lián)網(wǎng)終端特征提取與識別裝置和方法，屬于物聯(lián)網(wǎng)安全防護(hù)技術(shù)領(lǐng)域，在不對物聯(lián)網(wǎng)終端進(jìn)行定制改造，保證終端身份不被篡改或偽造的前提下，通過提取物聯(lián)網(wǎng)的低速有線接口信號層面的物理特征，首先區(qū)分終端連接線路，然后再識別終端特性，作為終端設(shè)備指紋進(jìn)行終端身份鑒別。

2、申請?zhí)枮閏n202410345435.3的中國發(fā)明專利提出一種用于物聯(lián)網(wǎng)的攻擊檢測方法、裝置、存儲介質(zhì)及電子設(shè)備。涉及人工智能技術(shù)領(lǐng)域。其中，該方法包括：抓取第一路由器中的數(shù)據(jù)包，得到第一數(shù)據(jù)包，其中，第一路由器包括：物聯(lián)網(wǎng)子網(wǎng)與外部網(wǎng)絡(luò)的進(jìn)行數(shù)據(jù)交換的路由器；對第一數(shù)據(jù)包進(jìn)行解析，得到第一解析結(jié)果；將第一解析結(jié)果輸入目標(biāo)檢測模型，輸出檢測結(jié)果，其中，檢測結(jié)果用于指示第一數(shù)據(jù)包對物聯(lián)網(wǎng)子網(wǎng)是否存在網(wǎng)絡(luò)攻擊行為，目標(biāo)檢測模型包括：通過模擬物聯(lián)網(wǎng)子網(wǎng)的網(wǎng)絡(luò)環(huán)境，對機(jī)器學(xué)習(xí)模型進(jìn)行模型訓(xùn)練得到的模型。

3、申請?zhí)枮閏n202410281063.2的中國發(fā)明專利提出一種基于機(jī)器學(xué)習(xí)和工業(yè)物聯(lián)網(wǎng)的智慧運維系統(tǒng)平臺，涉及智能工業(yè)控制技術(shù)領(lǐng)域，包括設(shè)備管理模塊、故障管理模塊、報表管理模塊、系統(tǒng)管理模塊、監(jiān)測模塊和數(shù)據(jù)處理模塊；監(jiān)測模塊包括傳感器和網(wǎng)絡(luò)設(shè)備，用于采集及顯示生產(chǎn)過程中各設(shè)備的運行數(shù)據(jù)；數(shù)據(jù)處理模塊對運行數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建lstm模型，根據(jù)運行數(shù)據(jù)對各設(shè)備的未來數(shù)據(jù)進(jìn)行預(yù)測，以獲取對故障的預(yù)判和生產(chǎn)方式的優(yōu)化方案，根據(jù)預(yù)測數(shù)據(jù)對生產(chǎn)設(shè)備進(jìn)行調(diào)整，實現(xiàn)對生產(chǎn)過程的自動優(yōu)化和智能調(diào)度。

4、現(xiàn)有技術(shù)存在以下問題仍需進(jìn)一步解決：

5、(1)傳統(tǒng)的生成對抗網(wǎng)絡(luò)在生成過程中容易發(fā)生模式崩潰，導(dǎo)致生成的數(shù)據(jù)質(zhì)量不穩(wěn)定，無法滿足高質(zhì)量的數(shù)據(jù)擴(kuò)充需求。

6、(2)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常固定，不具備根據(jù)數(shù)據(jù)特性進(jìn)行自適應(yīng)調(diào)整的能力，面對復(fù)雜和多變的物聯(lián)網(wǎng)數(shù)據(jù)時，難以有效地進(jìn)行特征提取。

7、(3)傳統(tǒng)的自編碼器沒有利用隨機(jī)掩碼技術(shù)，在降維過程中可能無法充分學(xué)習(xí)數(shù)據(jù)中的隱含關(guān)系，限制了模型對復(fù)雜數(shù)據(jù)的處理能力。

8、(4)常規(guī)的神經(jīng)網(wǎng)絡(luò)分類器缺乏對微小變化的敏感性，導(dǎo)致在處理具有微小差異的異常模式時，分類精度和敏感性不足。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供了一種面向車載終端的車輛行為異常模式識別方法。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

3、一種面向車載終端的車輛行為異常模式識別方法，包括以下步驟：

4、獲取車載終端的傳感數(shù)據(jù)；

5、采用基于樹木年輪仿生優(yōu)化的全連接神經(jīng)網(wǎng)絡(luò)對獲取數(shù)據(jù)進(jìn)行特征提取，獲得第一特征；

6、采用基于掩碼增強(qiáng)的自編碼神經(jīng)網(wǎng)絡(luò)對第一特征進(jìn)行特征降維，獲得第二特征；

7、采用基于量子混沌理論的分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器模型，利用第二特征進(jìn)行分類器模型訓(xùn)練；

8、利用訓(xùn)練后的分類器模型進(jìn)行車輛行為異常模式識別。

9、作為優(yōu)選地，采用基于樹木年輪仿生優(yōu)化的全連接神經(jīng)網(wǎng)絡(luò)對獲取數(shù)據(jù)進(jìn)行特征提取，獲得第一特征，包括：

10、初始化神經(jīng)網(wǎng)絡(luò)，設(shè)定初生層的神經(jīng)元數(shù)量；

11、根據(jù)訓(xùn)練數(shù)據(jù)分布調(diào)整每層的神經(jīng)元數(shù)量和權(quán)重；

12、在每個訓(xùn)練周期后計算損失函數(shù)，根據(jù)損失函數(shù)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的動態(tài)調(diào)整；

13、重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

14、作為優(yōu)選地，根據(jù)訓(xùn)練數(shù)據(jù)分布調(diào)整每層的神經(jīng)元數(shù)量和權(quán)重具體為：

15、

16、

17、

18、

19、

20、其中，為第層神經(jīng)元的學(xué)習(xí)率，為基礎(chǔ)學(xué)習(xí)率，為調(diào)整因子，為sigmoid激活函數(shù)，為累積梯度，為第層神經(jīng)元的數(shù)量，為第層神經(jīng)元的數(shù)量，為第層神經(jīng)元的權(quán)重，為損失函數(shù)在次迭代中關(guān)于權(quán)重的梯度，為損失函數(shù)在第次迭代時關(guān)于權(quán)重的梯度，和分別為第層神經(jīng)元數(shù)量的增量和權(quán)重的調(diào)整量；為第一擴(kuò)展系數(shù)；為第二擴(kuò)展系數(shù)，為當(dāng)前層數(shù)；為第層神經(jīng)元的訓(xùn)練誤差；為第層神經(jīng)元的輸入數(shù)據(jù)；為第層數(shù)據(jù)分布的熵；為控制速率；表示正態(tài)分布，表示服從于特定分布。

21、作為優(yōu)選地，采用基于掩碼增強(qiáng)的自編碼神經(jīng)網(wǎng)絡(luò)對第一特征進(jìn)行特征降維，獲得第二特征，包括：

22、初始化自編碼器網(wǎng)絡(luò)的參數(shù)；

23、按照貪婪算法的框架，設(shè)置每一層的獨立訓(xùn)練周期和學(xué)習(xí)率；

24、在每個訓(xùn)練周期開始時，對于每個輸入向量，隨機(jī)生成掩碼矩陣；

25、將掩碼矩陣送入自編碼器，利用自編碼器將數(shù)據(jù)壓縮成低維特征表示；

26、將低維特征表示送入解碼器，利用解碼器對低維特征表示進(jìn)行重構(gòu)，獲得重構(gòu)向量；

27、利用貪婪算法優(yōu)化每一層的參數(shù)；

28、當(dāng)所有層的訓(xùn)練完成后，整合各層模型，形成完整的自編碼器模型，并對自編碼器模型進(jìn)行微調(diào)；

29、重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

30、作為優(yōu)選地，對于每個輸入向量，隨機(jī)生成掩碼矩陣具體為：

31、

32、

33、其中，為掩碼向量的第個元素，為掩碼比例；為伯努利分布離散函數(shù)，為輸入向量的方差，為預(yù)設(shè)的方差閾值，?為取最小值函數(shù)。

34、作為優(yōu)選地，對自編碼器模型進(jìn)行微調(diào)具體為：

35、

36、其中，為微調(diào)后的模型參數(shù)，為訓(xùn)練樣本的數(shù)量，為第個訓(xùn)練樣本，為參數(shù)為和的損失函數(shù)；表示一個函數(shù)在其定義域中取得最小值的參數(shù)值。

37、作為優(yōu)選地，采用基于量子混沌理論的分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器模型，利用第二特征進(jìn)行分類器模型訓(xùn)練，包括：

38、初始化分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的參數(shù)；

39、將各層的輸出向量通過量子混沌激活函數(shù)進(jìn)行轉(zhuǎn)換；

40、根據(jù)輸出層的預(yù)測值與真實標(biāo)簽之間的差異計算損失函數(shù)；

41、根據(jù)損失函數(shù)計算每個權(quán)重的梯度，并采用分?jǐn)?shù)階微積分規(guī)則更新權(quán)重；

42、在每個訓(xùn)練周期結(jié)束后，通過量子態(tài)層析檢查網(wǎng)絡(luò)狀態(tài)，執(zhí)行量子態(tài)層析調(diào)整激活函數(shù)參數(shù)；

43、重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

44、作為優(yōu)選地，激活函數(shù)參數(shù)的調(diào)整方式為：

45、

46、

47、其中，為第一調(diào)制參數(shù)，為第二調(diào)制參數(shù)，為第一調(diào)整系數(shù)，為第二調(diào)整系數(shù)，為第三調(diào)整系數(shù)；為第層分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)激活前輸出的方差，為第層分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)激活前輸出的偏度，為第層分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)激活前輸出的中位數(shù)。

48、作為優(yōu)選地，獲取車載終端的傳感數(shù)據(jù)還包括：

49、采用基于自修復(fù)策略的生成對抗網(wǎng)絡(luò)對獲取數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充。

50、作為優(yōu)選地，采用基于自修復(fù)策略的生成對抗網(wǎng)絡(luò)對獲取數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充包括：

51、初始化生成對抗網(wǎng)絡(luò)的參數(shù)；

52、在生成器中采用自修復(fù)模塊實時監(jiān)控生成樣本的質(zhì)量并進(jìn)行自我調(diào)整；

53、在生成對抗網(wǎng)絡(luò)的訓(xùn)練過程中，采用自適應(yīng)特征蒸餾策略通過分析生成樣本的特征層面的反饋，優(yōu)化特征生成過程；

54、在樣本生成階段，利用生成器基于當(dāng)前的網(wǎng)絡(luò)參數(shù)生成新的數(shù)據(jù)樣本；

55、采用自適應(yīng)閾值動態(tài)調(diào)整機(jī)制針對生成器產(chǎn)生的新數(shù)據(jù)樣本的判別過程進(jìn)行優(yōu)化；

56、采用自適應(yīng)特征蒸餾損失和對抗損失優(yōu)化生成器和判別器；

57、重復(fù)迭代上述步驟，直至滿足預(yù)設(shè)的停止迭代條件。

58、本發(fā)明具有以下有益效果：

59、(1)本發(fā)明通過自修復(fù)策略的生成對抗網(wǎng)絡(luò)算法擴(kuò)充的數(shù)據(jù)質(zhì)量更高，有效避免了生成樣本的質(zhì)量退化，增強(qiáng)了模型的泛化能力和穩(wěn)定性。

60、(2)?本發(fā)明的基于樹木年輪仿生策略的神經(jīng)網(wǎng)絡(luò)能夠根據(jù)數(shù)據(jù)復(fù)雜性自適應(yīng)調(diào)整其結(jié)構(gòu)，使得網(wǎng)絡(luò)更加靈活，有效提升了特征提取的精確度和效率。

61、(3)?本發(fā)明的掩碼增強(qiáng)自編碼器在特征降維中能夠保持?jǐn)?shù)據(jù)的結(jié)構(gòu)特性，增強(qiáng)了模型的解釋能力和對復(fù)雜數(shù)據(jù)的處理能力。

62、(4)?本發(fā)明的分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)通過量子態(tài)層析增強(qiáng)了對細(xì)微變化的捕捉能力，提升了系統(tǒng)在實際應(yīng)用中對異常行駛模式的識別精度。