1.一种基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，包括以下步骤：步骤1、获取待测样本图像I0，将其输入构建好的深度字典学习网络进行训练，获得待测样本图像I0的多尺度的全局特征；深度字典学习网络包括有不同规模的三层字典网络，通过这三层字典网络学习提取不同尺度的特征；

步骤2、对于步骤1中的待测样本图像I0，对其进行预处理，预处理归一化、数据增强和主成分分析PCA去除冗余信息，得到重构后的原始特征；

步骤3、对重构后的原始特征进行多维特征提取，并使用滑动窗口分段方法来标注动态变化的数据点，对滑动窗口内的数据计算均值特征、标准差特征、最值特征和频域特征；

步骤4、对于步骤3分割后所得特征图，利用k‑means聚类法来分割样本数据，构造样本周围的邻域流形，计算分割后特征图的权重矩阵W和拉普拉斯矩阵L；

步骤5、图的权重矩阵W包含有邻域流形结构信息，在该邻域流形内部局部建模，获取数据点之间的自表达关系，同时将收集到的自表达信息用于加权字典原子进行更新，更新后的字典学习网络通过获取得到待测样本中的局部特征；

步骤6、构建自适应图学习模块，通过自适应图适应模块对邻域流形的局部建模进行图的更新，增强步骤5所得局部特征；所述自适应图学习模块堆叠有M个学习块，每个学习块均捕捉局部特征和部分图结构的特征，堆叠M个学习块逐渐将这些局部特征整合为更高层次、更抽象的特征表示；

步骤7、重复步骤5和步骤6，迭代优化生成的字典及稀疏表示确保得到足够精准的局部特征；

步骤8、整合步骤1所得全局特征和步骤7所得局部特征，将不同层的特征表示进行融合，得到最终的特征表示；

步骤9、将融合后的特征表示输入到SVM分类器中进行训练，SVM通过找到最大间隔超平面，将正常数据和异常数据进行区分；

步骤10、根据SVM分类器的筛选输出分类结果，识别并标记异常数据点。

2.根据权利要求1所述的基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，所述步骤1中，深度字典学习网络的三层字典网络原子的数量分别为200、

100和50；

字典学习的模型优化问题如下表示：

其中，Y表示样本数据，D表示字典，X表示稀疏表示。

3.根据权利要求1所述的基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，所述步骤2的具体方法为：步骤a、对图像I0进行标准化处理得到高维原始特征I1，标准化处理公式如下：其中，μ是图像的均值，σ是图像的标准差；

步骤b、计算I1的协方差矩阵C，对C进行特征值分解，得到特征值和特征向量：CV＝VΛ；

其中，m是样本的数量，为特征矩阵I1的行数，Λ是对角矩阵，包含了协方差矩阵的特征值，V是特征向量矩阵，每一列是一个特征向量，特征值从大按小排列；

步骤c、投影到主成分空间，重构原始特征I2：I2＝PCA(I2)＝I1Vk；

其中Vk是前k个特征向量，选择Vk作为投影矩阵，将高维原始特征I1投影到低维的主成分空间，并恢复I2到和原始特征I1相同尺度。

4.根据权利要求1所述的基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，所述步骤4使用k‑means算法对I2的特征向量进行分段和标注，具体操作为：随机选定n个初始中心点，对于每个特征向量，首先计算它们与每个中心点之间的距离，通过迭代计算分配给该中心点的平均值直至收敛，最终每个向量会被分配到固定的中心点，完成分段与标记的结果；

接着，采用k‑means算法以所得标记作为簇心将数据点分割成大小一致的邻域N，每个邻域Ni选取k个最近邻数据点，对于每个数据点xi，计算其到每个最近簇心的欧式距离，权重矩阵W为：构造拉普拉斯矩阵L，矩阵中的每个元素Lij代表数据点xi和xj之间的相似度，L的计算公式如下：L＝A‑W；

其中W是权重矩阵，A是对角矩阵，Aii＝∑jWij。

5.根据权利要求1所述的基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，所述步骤5的具体方法为：权重矩阵W中的元素是当前实例数据点与其近邻数据点之间的相关性程度的系数，每个数据点均通过其邻域内其它数据点的线性组合表示，将重构后的字典D与权重矩阵W结合，结合后的DW于原始字典D有相似的特征语义；

将DW与原始字典再进行线性组合增强，公式为：

其中D是原始字典，是增强后的字典，W是权重矩阵，λ是正则化参数；

用增强后的 去替代原始字典D参与稀疏编码的过程，同时添加邻域正则化约束项确保自表达关系能有效的对原子进行更新并采用坐标梯度下降法(CGD)再对目标模型中的字典和稀疏表示X进行交替优化求解：

6.根据权利要求1所述的基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，所述自适应图学习模块中的每个学习块中的图卷积网络的向前传播过程为：其中， 是第l层的归一化邻接矩阵，定义 为

是 的度矩阵；在每个学习块学习完成后，整合所有学习块中的特征表示。

7.根据权利要求1所述的基于邻域原子增强的深度字典学习在异常检测中的应用方法，其特征在于，所述步骤8融合全局特征和局部特征时采用特征拼接的方式，将不同层次的特征表示拼接起来，L表示网络层数：(1) (2) (3) (L)

Hconcat＝[H ,H ,H ,...H ]

将融合后的特征表示Hconcat输入到SVM分类器中进行训练，通过调整惩罚系数阈值C和gamma相关系数G，并且控制变量采取不同的内核函数确认分类结果和待处理样本的变化。