检索结果-南通市图书馆

维普期刊数据库博看期刊

基于移相加权球面单簇聚类的周期时间序列异常检测

在线全文

学校读者我要写书评

暂无评论

自动化学报 2011年第8期37卷 984-992页

作者：王骏钟富礼王士同邓赵红江南大学数字媒体学院无锡214122 香港理工大学电子计算学系

针对传统的单分类器不适用于周期时间序列的异常检测,提出了一种基于移相加权球面单簇聚类的单分类器PS-WS1M-OCC.通过在聚类过程中增加高效的循环移位操作,解决了时间序列记录之间相似度计算的问题.另一方面,基于时间序列记录的权重分... 详细信息

针对传统的单分类器不适用于周期时间序列的异常检测,提出了一种基于移相加权球面单簇聚类的单分类器PS-WS1M-OCC.通过在聚类过程中增加高效的循环移位操作,解决了时间序列记录之间相似度计算的问题.另一方面,基于时间序列记录的权重分布,提出了新的阈值自适应确定方法,从而使单分类器对训练集包含的异常数据和参数设置不敏感.实验表明,本文提出的单分类器可以用于周期时间序列的异常检测;与传统的单分类器相比,可以成功地从包含异常数据的训练集中进行无监督学习,对训练集包含的异常数据鲁棒,并且对参数不敏感.

关键词：移相加权球面单簇聚类时间序列异常检测单分类器从包含噪声的数据中学习

基于集成LSTM-AE的时间序列异常检测方法

在线全文

学校读者我要写书评

暂无评论

华中科技大学学报（自然科学版） 2021年第11期49卷 35-40页

作者：陈磊秦凯郝矿荣东华大学数字化纺织服装技术教育部工程研究中心上海201620 东华大学信息科学与技术学院上海201620

针对基于LSTM-AE(长短期记忆自编码器)的时间序列异常检测方法在异常检测阶段对正常序列和异常序列的重建误差不能明显分化,致使重建误差在阈值附近的序列无法正确判断正常与异常的问题,提出一种集成LSTM-AE框架——LAEE(长短期记忆自... 详细信息

针对基于LSTM-AE(长短期记忆自编码器)的时间序列异常检测方法在异常检测阶段对正常序列和异常序列的重建误差不能明显分化,致使重建误差在阈值附近的序列无法正确判断正常与异常的问题,提出一种集成LSTM-AE框架——LAEE(长短期记忆自编码器集成框架).将训练阶段拆分为预训练和预检测两个阶段,在预训练阶段训练多个隐层维度不同的LSTM-AE,通过预检测阶段的表现挑选基检测器,并计算其各自权重;在异常检测阶段,通过对每个基检测器产生的重建误差进行加权集成获得新的重建误差矩阵,进行异常识别.通过在两类数据集上的实验结果表明:所提方法使得检测目标正常序列与异常序列重建误差分化程度加大,提高了异常检测精度.

关键词：时间序列异常检测长短期记忆自动编码器集成框架重建误差

基于谱残差方法的工业互联网时间序列异常检测

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2024年第8期30卷 2672-2680页

作者：焦子南陈年金涛王建民清华大学软件学院北京100084

谱残差算法是一种针对图像显著性检测的算法,也可用于无监督时间序列的异常检测。从频域变换、平滑算法、去除季节性影响、阈值自适应调节等多个环节研究针对谱残差算法的改进,提出一种基于谱残差算法的多变量时间序列异常检测方法。实... 详细信息

谱残差算法是一种针对图像显著性检测的算法,也可用于无监督时间序列的异常检测。从频域变换、平滑算法、去除季节性影响、阈值自适应调节等多个环节研究针对谱残差算法的改进,提出一种基于谱残差算法的多变量时间序列异常检测方法。实验证明,所提出的改进可以提高异常检测的准确率,去除环境因素造成的季节性影响,且检测异常用时优于已有算法。另外,所提算法可以根据实际需要,自适应调节异常判定阈值。为了适应工业系统常出现的多变量时间序列数据,在谱残差算法的基础上结合用于处理多变量数据的独立成分分析算法,使算法适用于多变量时间序列。实验表明,谱残差算法与独立成分分析结合的算法能够应用于工业系统的异常自动检测,并且可以保证算法所需的准确性和实时性。

关键词：时间序列异常检测谱残差算法无监督算法独立成分分析

在线全文

学校读者我要写书评

暂无评论

基于协同学习的时间序列异常检测研究

基于协同学习的时间序列异常检测研究

作者：陈波中国矿业大学

学位级别：硕士

时间序列数据产生于人类生活和工业的方方面面,在如今数据量急剧增长的时代背景之下,如何更有效地管理与运用这些时间序列数据成为研究者们的关注焦点。虽然时间序列中的异常数据规模和数量较少,但其中隐含的某些信息可能对科技研究或... 详细信息

时间序列数据产生于人类生活和工业的方方面面,在如今数据量急剧增长的时代背景之下,如何更有效地管理与运用这些时间序列数据成为研究者们的关注焦点。虽然时间序列中的异常数据规模和数量较少,但其中隐含的某些信息可能对科技研究或生产生活有着重要的影响。从提出时间序列异常检测的问题以来,国内外众多的研究者对其进行了深入而广泛的研究,并且也提出了应用于众多领域的异常检测方法,但是在时间序列异常检测领域内仍然存在着许多值得研究、探讨和解决的问题。本文围绕时间序列异常检测方法进行研究,主要工作如下:(1)时间序列多尺度异常检测方法针对时间序列点异常检测和线性分段的问题,本文提出一种时间序列多尺度异常检测方法。通过Haar小波变换压缩时间序列,把时间序列分解在不同的尺度上,再使用二次回归模型将小波变换后的时间序列分割成可变长度的模式序列(子序列),并计算模式异常值,然后通过小波重构函数重构原始时间序列,最后通过与自适应阈值相比较检测原始时间序列中的异常模式。使用仿真数据集Keoghata对方法进行验证和评估,并与测试Keoghata数据集的三种异常检测方法IMM、TSA-Tree和Tarzan进行比较,实现结果表明,对实验数据进行3级小波分解,能够达到很好的异常检测效果;并且与Tarzan方法、基于距离的方法和基于密度的方法在检测精度、检测效率和检测速率方面进行比较,在短期精度和效率方面该方法能够达到93.5%和96.2%,在长期精度和效率方面依然能够达到91.7%和90.5%,异常检测效果有较为明显的提升。(2)基于协同训练和选择性集成学习的时间序列异常检测方法针对传统分类方法进行时间序列异常检测不足的问题,提出基于协同学习的时间序列异常检测方法。传统分类方法主要是通过给定的有标记子序列训练分类器,使分类器对未知的子序列进行预测分类,但在实际研究中大量的有标记子序列需要花费很长的时间和人力才能获得,而数据集中存在的是大量无标记子序列,因此提出结合标记序列和大量无标记序列的协同训练算法对时间序列进行分析。协同训练算法在训练学习过程中又会受到分类器差异性的限制,针对这个问题,结合选择性集成学习提出基于协同学习的时间序列异常检测算法RFCL,并且与小波变换多尺度的方法相结合,辅助协同学习算法选择未标记序列进行分类器的训练和学习,用于时间序列模式的异常检测。最后,在理论研究的基础上,采用仿真数据集Keoghata、Maata和真实的经济数据集进行实验,以验证本文所提出的异常检测方法;实验结果表明,本文提出的基于协同学习的时间序列异常检测算法RFCL可以有效的检测出时间序列中的异常模式,并且具有较高的检测精度和检测效率。

关键词：时间序列异常检测小波变换协同训练选择性集成学习 RFCL算法

基于自我学习双向GAN的时间序列异常检测研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自我学习双向GAN的时间序列异常检测研究与实现

作者：李向文南京邮电大学

学位级别：硕士

由于越来越多的网络攻击事件和系统故障事件出现在各种基于时序数据库的运维系统中,导致少量异常数据混入庞大的数据库里,对系统的稳定运行造成了一定的影响。因此,时间序列异常检测成为了学术界和工业界一直以来都在重点研究的热点问... 详细信息

由于越来越多的网络攻击事件和系统故障事件出现在各种基于时序数据库的运维系统中,导致少量异常数据混入庞大的数据库里,对系统的稳定运行造成了一定的影响。因此,时间序列异常检测成为了学术界和工业界一直以来都在重点研究的热点问题。然而,传统的阈值异常检测方法和一般的深度学习模型都无法对时间序列数据做出完整分析和精准异常检测,所以本文以时间序列数据作为研究对象,提出了一种改进异常检测算法,并基于该算法构建了一个异常检测系统,主要贡献如下:(1)针对现有异常检测模型在训练阶段存在正、负类别数据不平衡的问题,选择使用生成式对抗网络作为异常检测基本模型。本文提出了一种基于GAN的自我双向学习训练方法,通过该方法训练出来的GAN模型可以在优化原始GAN模型缺陷问题的同时,提升异常检测的效率。(2)由于生成式对抗网络本身对时间序列数据的处理能力不强,本文提出了一种SelfGRU网络架构来作为生成式对抗网络各部分的基础模型。Self-GRU融合了自注意力机制和门控循环单元神经网络,能够准确捕捉时间序列数据中的发展变化趋势。(3)基于上述研究内容,采用前后端分离技术,设计并实现了一个基于自我学习双向GAN的异常检测系统。该系统目前可实现时序数据实时监控、异常检测与报警等功能。

关键词：时间序列异常检测门控循环单元神经网络自注意力机制生成式对抗网络

基于隔离得分的时间序列异常检测算法研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于隔离得分的时间序列异常检测算法研究与实现

作者：陈斯羽西安石油大学

学位级别：硕士

异常检测是机器学习和数据挖掘中的一个重要研究领域,对医学、航天、手势识别等领域有着重大影响。在时间序列异常检测方面,针对已有的时间序列异常检测算法Ma-trix Profile 时间复杂度高、全局异常检测算法异常与正常序列之间边界定义... 详细信息

异常检测是机器学习和数据挖掘中的一个重要研究领域,对医学、航天、手势识别等领域有着重大影响。在时间序列异常检测方面,针对已有的时间序列异常检测算法Ma-trix Profile 时间复杂度高、全局异常检测算法异常与正常序列之间边界定义不清晰等问题,提出优化的基于隔离得分iNNE点异常检测算法和基于相似性度量的MASS算法相结合的时间序列异常检测算法CR-iNNE,主要工作如下:(1)研究基于隔离得分的点异常检测算法iNNE,考虑其可提供更敏感的隔离度量、只选取部分样本建立模型等优势,提出将点异常检测算法在时间序列异常检测方向得到应用的思路。分析基于滑动窗口发展而来的MASS2算法,考虑其只使用卷积一半作为输入矩阵的优势,将基于滑动窗口的MASS算法与点异常检测算法相结合,论证基于隔离得分的时间序列异常检测算法iNNE可以进行时间序列异常检测。(2)考虑点异常检测算法中的随机选取不符合时间序列数据具有时间上相关性的特点,提出随机选取时间序列子样本的算法,解决将全部时间序列距离矩阵作为输入的冗余问题。基于iNNE算法建立超球面模型,改进算法中不必要的时间子序列距离矩阵的存储,有效地减少比较次数。CR-iNNE算法评估模型,解决所选查询子序列落在哪个超球面的问题,从而将最近邻距离与超球面的半径相比较,降低时间复杂度。(3)针对合成数据添加高斯白噪声,提高算法的泛化能力。通过加噪的方法,可以使算法更加稳健,能够更好地应对新的数据。将优化后的基于隔离得分的时间序列异常检测算法应用真实数据论证分类器性能,并对比评估优化前和优化后算法的运算效率。综合实验结果表明,改进后的基于隔离得分的时间序列异常检测算法CR-iNNE与经典Matrix Profile算法的准确度相当,甚至更好。使用真实时间序列数据进行异常检测,iNNE算法准确率最高为97.38%,相比Matrix Profile算法准确度提升1.54%。改进后的CR-iNNE算法相比原iNNE算法,运算效率更好,耗时最多缩短2.7274秒,且可以在医学、航天工程等领域的时间序列数据上进行异常检测,并准确分类。

关键词：时间序列异常检测 MASS 相似性度量隔离得分 iNNE

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于子空间重构的时间序列异常检测研究

基于子空间重构的时间序列异常检测研究

作者：戈宁振河北经贸大学

学位级别：硕士

时间序列是由一组具有固定时间间隔的实值型样本按照时间先后顺序组成的数据集合,广泛存在于各个领域。在时间序列中,当部分数据表现出超越预期的行为或模式时,这样的数据被称为异常数据。准确地识别异常数据,能够为后续任务提供有价值... 详细信息

时间序列是由一组具有固定时间间隔的实值型样本按照时间先后顺序组成的数据集合,广泛存在于各个领域。在时间序列中,当部分数据表现出超越预期的行为或模式时,这样的数据被称为异常数据。准确地识别异常数据,能够为后续任务提供有价值的信息。当前,随着时间序列数据日益庞大且复杂,数据中潜在的相关性和多种模式难以处理,导致现有的检测算法效果不理想。为解决上述问题,本文分别对单变量时间序列和多变量时间序列的异常检测方法进行创新改进,进一步提升了检测效果。本文的主要研究工作如下:(1)针对单变量时间序列中异常污染问题及多模式提取,提出了一种基于频谱残差局部平均和子空间重构的无监督单变量时间序列异常检测算法。该方法首先利用频谱残差局部平均技术对训练数据进行预处理,缓解训练集中的异常污染问题。之后,结合稀疏自编码(sparse autoencoder,SAE)和高斯混合模型(gaussian mixture model,GMM),基于子空间重构策略提取复杂数据中的多种模式。在两个单变量时间序列数据集上的实验结果表明,所提出方法的检测效果比现有方法更加优越。(2)针对多变量时间序列的相关性表示以及多模式提取,提出了一种基于二维奇异值分解(two-dimensional singular value decomposition,2d SVD)和子空间重构的无监督多变量时间序列异常检测算法。该方法首先利用2d SVD作为数据表示方法来捕获多变量时间序列中的时序依赖和变量相关。之后,结合SAE和GMM基于子空间重构策略提取复杂数据中的多种模式。在六个多变量时间序列数据集上的实验结果表明,与现有的方法相比,所提出的方法具有更优的检测效果。

关键词：时间序列异常检测自编码器频谱残差高斯混合模型二维奇异值分解

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于趋势性表示的时间序列异常检测

基于趋势性表示的时间序列异常检测

作者：汤明月中国矿业大学

学位级别：硕士

时间序列异常检测是时间序列挖掘的重要研究内容之一。时间序列异常检测任务的应用场景通常较为复杂,如井下安全生产监测系统产生的大量灾害监测数据,具有复杂的时间依赖性和空间依赖性,且数据中包含的趋势性模式是重要的灾害前兆,此类... 详细信息

时间序列异常检测是时间序列挖掘的重要研究内容之一。时间序列异常检测任务的应用场景通常较为复杂,如井下安全生产监测系统产生的大量灾害监测数据,具有复杂的时间依赖性和空间依赖性,且数据中包含的趋势性模式是重要的灾害前兆,此类模式的识别对于灾害预警和防治具有重要意义。传统多维时间序列异常检测无法将趋势性特征及多维序列之间的时间依赖性和空间关联性与异常检测任务进行融合,因而在此类问题中的应用效果欠佳。针对上述问题,本文针对多维时间序列数据中的趋势性模式进行特征表示,并基于此特征实现自适应、无监督异常检测,具体工作如下:(1)针对传统多维时间序列异常检测未将数据趋势特征和序列的时间、空间依赖性相融合的问题,提出了一种基于多尺度趋势及SPD(Symmetric Positive Definite)表征的自编码异常检测方法(Trend SPD Auto Encoder Anomaly Detection method,TSAD)。首先,采用多尺度趋势特征表示多维时间序列的趋势性模式,以该特征为参数输入核函数生成保持正定性的SPD矩阵,以表达多维时序数据构造的复杂空间结构。然后,设计了保持SPD矩阵特性的SPD-AE网络,学习数据的潜在表示,并定义矩阵重构误差作为损失函数和异常分数进行异常检测。在公测数据和自采冲击地压监测数据(MINE)上进行的验证实验表明,本文方法在WADI数据集和MINE数据集上取得了最好的F1值,在WADI数据集上效果比GDN方法提升了9.8%,在MINE数据集上效果比MSCRED方法提升了2.9%。(2)针对原始多维时间序列包含大量缺失值会影响异常检测任务的准确率,并且使用根据经验或枚举方法使用预定义阈值不利于自动化异常检测问题,在TSAD模型的基础上提出了基于趋势特征的时间序列自适应阈值异常检测方法(TSAD*)。首先,采用随机森林方法对原始传感器数据进行缺失值填充,获得完整多维时间序列数据。然后,定义适用于SPD矩阵的对数欧几里得度量为重构误差,采用验证集上最大误差的平均值作为阈值进行异常检测。在公测数据和自采冲击地压监测数据(MINE)上进行的验证实验表明,随机森林方法填充缺失值具有比均值填充更优的异常检测效果,在SWAT、WADI、SMD和MINE数据集上,TSAD*的F1值相较于TSAD分别提升了1.22%、1.93%、1.94%和0.7%。(3)针对多维时间序列异常检测的现实应用,结合本文提出的TSAD*方法,以矿井灾害监测监控系统为背景,设计并实现了一个多维时间序列异常检测原型系统。系统从井下获取瓦斯、声发射、电磁等数据,使用本文提出的TSAD*模型进行数据处理和异常检测,将异常检测结果进行可视化展示,系统实时检测井下灾害异常情况,并对异常事件进行分类查询和综合查询。

关键词：趋势 SPD矩阵自编码器自适应阈值时间序列异常检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的时间序列数据异常检测方法

信息与控制 2019年第1期48卷 1-8页

作者：胡姣姣王晓峰张萌张德鹏胡绍林西安理工大学理学院陕西西安710054 广东石油化工学院自动化学院广东茂名525000

针对类间分布不平衡的时间序列数据的异常检测问题,提出了一种基于深度卷积神经网络的检测方法.首先采用抽样法对不平衡时间序列数据进行预处理;其次,将处理后的时间序列数据转换为尺度一致、时长一致的片段;最后将数据送入具有4层隐藏... 详细信息

针对类间分布不平衡的时间序列数据的异常检测问题,提出了一种基于深度卷积神经网络的检测方法.首先采用抽样法对不平衡时间序列数据进行预处理;其次,将处理后的时间序列数据转换为尺度一致、时长一致的片段;最后将数据送入具有4层隐藏层结构的卷积神经网络模型中进行异常检测.实验结果表明,所提方法弥补了现存的检测技术由于忽略数据分布的偏斜性而造成的少数类检测精度低的缺点,并通过与现有的时间序列分类方法的比较,验证了所提方法的高效性.

关键词：时间序列异常检测不平衡数据学习深度学习卷积神经网络