一种基于多核融合与邻域建模的异常检测方法

本发明公开了一种基于多核融合与邻域建模的异常检测方法，属于计算机科学和人工智能技术领域。针对现有方法在异常检测中存在训练与测试阶段不匹配、单级邻域建模局限以及计算复杂度高等问题，导致异常样本易混入正常簇，降低检测鲁棒性；本发明采用稀疏多核学习，通过多核融合建模数据的非线性特征，并结合核稀疏化策略筛选最具区分力的核交互项，降低计算冗余，提高检测效率。同时，在训练阶段构建双层邻域对比机制，通过第一层邻域强化正常样本的聚合性，并在第二层邻域推离异常样本，以增强模型的异常分离能力。在测试阶段，引入训练‑测试邻域对比策略，动态调整邻域权重，放大异常样本与正常样本的差异，提高检测精度和泛化能力。