基于半非负矩阵分解神经网络的异常检测方法

来源：电子测量技术杂志2025年第23期北京时间：

作者：韩威，吴黎明

单位：1.广州铁路职业技术学院电气工程学院 广州 511300; 2.广东工业大学机电工程学院 广州 510006

摘要：异常检测旨在识别数据中的异常，在工业检测等领域中具有显著的应用价值。目前主流异常检测方法采用的是自编码器等无监督模型，这类模型采用全连接层或卷积层进行编码、解码的数据处理过程，会导致模型面临缺乏解释性、语义误差等问题。为此，本文提出将半非负矩阵分解模型和神经网络训练方式相结合，设计了一个用于异常检测的半非负矩阵分解神经网络。由于半非负矩阵分解模型具有“局部叠加构成整体”的特性，该网络能更好的保留语义信息，且具有可解释性。此外，该网络的特征矩阵作为权值随着网络训练而更新，这能有效解决传统半非负矩阵分解模型存在的局部最优解问题。在三个数据集上，测试了该网络的异常检测性能，实验结果表明其在应对连续数据时，比主流自编码器和变分自编码器方法的检测指标高3%，在离散数据上也取得了不弱于主流方法的效果；与基于传统半非负矩阵分解模型的异常检测方法相比，该网络在所有检测指标上均有提升，升幅最高达12%。该网络是利用传统矩阵分解模型构建神经网络的有益探索，能有效解决异常检测问题。

关键词：异常检测;无监督学习;半非负矩阵分解;神经网络

基金资助：广东省自然科学基金面上项目(2022A1515011559)、广州市教育局高校科研项目(202234875)、广州市高等教育教学质量与教学改革工程项目(2024CJRHJD001)资助