狀態(tài)感知是一個重要的研究領域。實時準確地檢測出系統(tǒng)與數(shù)據(jù)中的異常可以為系統(tǒng)的監(jiān)控、災難的預防、入侵檢測等提供重要幫助。而數(shù)據(jù)在多數(shù)領域中都以時間序列的形式進行傳輸,因此,能夠檢測出時間序列數(shù)據(jù)中的異常非常重要。近年來,隨著大數(shù)據(jù)科學與機器學習技術的發(fā)展,數(shù)據(jù)的維度與量級顯著增加,傳統(tǒng)的單維度時間序列狀態(tài)感知無法滿足當前數(shù)據(jù)樣本的需求,若直接將其移植到多維度領域,則通常無法同時保持算法的準確性與實時性。因此,亟待專門針對多維度時間序列數(shù)據(jù)設計狀態(tài)感知算法�；诖�,本文提出了基于長短期記憶網(wǎng)絡LSTM(Long Short-Term Memory)與高斯混合模型的實時多維度時間序列數(shù)據(jù)狀態(tài)感知算法LGMAD。首先,本文對于LSTM神經(jīng)網(wǎng)絡進行改進,在LSTM神經(jīng)網(wǎng)絡的基礎之上提出了單維度時間序列數(shù)據(jù)狀態(tài)感知算法LSTM-BP,利用LSTM-BP算法對多維度時間序列數(shù)據(jù)中每個維度的異常先進行單獨檢測。通過將序列預測值與真實值之間的差異進行對比分析,實現(xiàn)異常的初次篩選,從而得出每個單獨維度上的異常分數(shù)列表,完成單維度時間序列狀態(tài)感知,并以此作為多維度時間序列狀態(tài)感知的基礎。其次,對于由LSTM...

【文章頁數(shù)】：50 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文課題研究背景與意義
    1.2 本文研究內容與結構安排
2 國內外相關研究
    2.1 狀態(tài)感知研究現(xiàn)狀
    2.2 單維度時間序列數(shù)據(jù)狀態(tài)感知研究現(xiàn)狀
    2.3 多維度時間序列數(shù)據(jù)狀態(tài)感知研究現(xiàn)狀
    2.4 小結
3 基于LSTM的單維度時間序列狀態(tài)感知算法
    3.1 系統(tǒng)模型描述與異常定義
    3.2 長短期記憶網(wǎng)絡
    3.3 單維度時間序列狀態(tài)感知算法LSTM-BP
    3.4 小結
4 基于LSTM和多元高斯模型的LGMAD多維狀態(tài)感知算法
    4.1 多元高斯分布
        4.1.1 高斯分布
        4.1.2 多元高斯分布
    4.2 多元高斯模型的構建
        4.2.1 訓練模型
        4.2.2 擬合閾值
        4.2.3 分析異常
    4.3 基于LSTM和多元高斯模型的LGMAD多維狀態(tài)感知算法
    4.4 小結
5 實驗與分析
    5.1 實驗平臺與數(shù)據(jù)集說明
    5.2 一維狀態(tài)感知性能對比與分析
        5.2.1 有效性分析
        5.2.2 性能分析
    5.3 多維狀態(tài)感知算法對比與分析
    5.4 小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：3804767