隨著信息技術(shù)的快速發(fā)展,各類(lèi)數(shù)據(jù)規(guī)模不斷擴(kuò)大,時(shí)間序列數(shù)據(jù)作為重要的數(shù)據(jù)類(lèi)型受到廣泛關(guān)注和研究。在對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行挖掘的時(shí)候會(huì)出現(xiàn)一些與數(shù)據(jù)模型或一般規(guī)律不一致的數(shù)據(jù),這些異常數(shù)據(jù)在不同場(chǎng)景下大都包含了重要的信息和知識(shí),忽視這些異常數(shù)據(jù)往往會(huì)造成不可挽回的經(jīng)濟(jì)損失,對(duì)這些少量異常數(shù)據(jù)的研究也顯得愈發(fā)重要,這使得時(shí)間序列的異常檢測(cè)成為數(shù)據(jù)挖掘領(lǐng)域的重要研究?jī)?nèi)容。近年來(lái),深度學(xué)習(xí)技術(shù)也在各行各業(yè)得到廣泛研究和應(yīng)用并取得了不錯(cuò)的進(jìn)展,也有學(xué)者嘗試將深度學(xué)習(xí)技術(shù)應(yīng)用于時(shí)間序列數(shù)據(jù)的異常檢測(cè),但目前這方面的研究還不夠深入�；谇叭说难芯�,本文對(duì)深度學(xué)習(xí)中特征表達(dá)能力較強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)、記憶能力較強(qiáng)的長(zhǎng)短期記憶網(wǎng)絡(luò)等進(jìn)行研究和創(chuàng)新,并將改進(jìn)的算法應(yīng)用于時(shí)間序列的異常檢測(cè)任務(wù),同時(shí)還結(jié)合了其它智能算法提高算法的計(jì)算效率和檢測(cè)精度,取得了較好的效果。首先,本文提出了一個(gè)基于全卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督時(shí)間序列異常檢測(cè)算法HPCSLSFCN。對(duì)于有標(biāo)簽的時(shí)間序列數(shù)據(jù),我們構(gòu)建了適用于其的二分類(lèi)模型CSLSFCN,為了提高算法特征學(xué)習(xí)能力,提升相對(duì)重要的特征并抑制對(duì)當(dāng)前任務(wù)用處不大的特征,我們?cè)诰矸e層之間嵌入...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.3 異常檢測(cè)的研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容與創(chuàng)新點(diǎn)
        1.3.1 論文主要內(nèi)容和結(jié)構(gòu)
        1.3.2 論文的創(chuàng)新點(diǎn)
第二章 相關(guān)理論基礎(chǔ)
    2.1 時(shí)間序列相關(guān)理論基礎(chǔ)介紹
        2.1.1 時(shí)間序列分類(lèi)
        2.1.2 時(shí)間序列預(yù)測(cè)
    2.2 深度學(xué)習(xí)模型介紹
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)
        2.2.3 自編碼器
    2.3 鏈?zhǔn)絇系統(tǒng)
第三章 基于FCN的時(shí)間序列異常檢測(cè)算法(HP-CSLSFCN)
    3.1 CSLSFCN時(shí)間序列異常檢測(cè)算法
        3.1.1 嵌入SENet結(jié)構(gòu)的改進(jìn)FCN算法(SFCN)
        3.1.2 代價(jià)敏感損失函數(shù)(Cost-Sensitive Loss Function,CS)
        3.1.3 CSLSFCN算法流程
    3.2 基于混合鏈?zhǔn)絇系統(tǒng)的HP-CSLSFCN算法
        3.2.1 HP-CSLSFCN系統(tǒng)的構(gòu)建
        3.2.2 系統(tǒng)運(yùn)行機(jī)制
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 數(shù)據(jù)集及實(shí)驗(yàn)平臺(tái)描述
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 實(shí)驗(yàn)結(jié)果與性能分析
第四章 基于LSTM的時(shí)間序列異常檢測(cè)算法(IPSO-LSTM-AE)
    4.1 LSTM自編碼器時(shí)間序列異常檢測(cè)算法(LSTM-AE)
        4.1.1 數(shù)據(jù)預(yù)處理方法
        4.1.2 LSTM-AE算法流程
    4.2 粒子群算法優(yōu)化的LSTM-AE(IPSO-LSTM-AE)
        4.2.1 帶有自適應(yīng)慣性因子的粒子群算法
        4.2.2 IPSO-LSTM-AE算法流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 數(shù)據(jù)集描述
        4.3.2 評(píng)價(jià)指標(biāo)
        4.3.3 實(shí)驗(yàn)結(jié)果與性能分析
第五章 HP-CSLSFCN及 IPSO-LSTM-AE在智能運(yùn)維中的應(yīng)用
    5.1 智能運(yùn)維問(wèn)題描述與評(píng)價(jià)指標(biāo)
    5.2 KPI數(shù)據(jù)介紹與分析
    5.3 基于IPSO-LSTM-AE及 HP-CSLSFCN的 KPI異常檢測(cè)
        5.3.1 數(shù)據(jù)預(yù)處理及實(shí)驗(yàn)環(huán)境
        5.3.2 實(shí)驗(yàn)結(jié)果與性能分析
第六章 總結(jié)與展望
    6.1 本文研究總結(jié)
    6.2 未來(lái)研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的論文發(fā)表和項(xiàng)目參與情況
攻讀碩士學(xué)位期間獲獎(jiǎng)情況
致謝



本文編號(hào)：3865601