在信息社會時代,數據承載著許多重要信息,具有巨大的經濟價值,然而數據在服務人類的同時也蘊含著潛在的風險,會給實際的生產工作帶來巨大的安全隱患。異常檢測作為一種有效的防護手段,能夠檢測出偏離正常期望行為的異常數據,為各類系統的正常運轉提供重要支撐。因此,研究高效的異常檢測算法對眾多領域而言具有重要的現實意義。本文首先介紹了異常檢測的相關理論知識,然后在傳統異常檢測方法面對高維數據效果不佳的情況下,深入研究了結合深度學習的異常檢測算法,提出了基于混合高斯變分自編碼器的異常檢測模型和基于稀疏變分自編碼器的異常檢測模型。本文主要研究內容和成果如下:1、提出了一種基于混合高斯變分自編碼器的異常檢測模型。該模型首先使用混合高斯分布作為變分自編碼器的先驗和近似后驗分布,使得隱變量所在的空間更加靈活,避免出現因先驗過于簡單導致的后驗塌陷問題,影響特征的表示效果。然后在所搭建的變分自編碼器編碼網絡的基礎上搭建深度支持向量數據描述網絡,壓縮特征空間,并尋找最佳超球體分離正常數據和異常數據,通過計算數據特征到超球體中心的歐式距離衡量數據的異常分數,并以此進行異常檢測。最后在基準數據集MNIST和Fashio...

【文章頁數】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 論文研究的背景及意義
    1.2 國內外研究現狀
        1.2.1 傳統的異常檢測算法
        1.2.2 基于深度學習的異常檢測算法
    1.3 論文主要工作及章節(jié)安排
第2章 理論基礎
    2.1 引言
    2.2 數據集介紹
    2.3 混合分布
        2.3.1 混合高斯分布
        2.3.2 釘板分布
    2.4 深度學習概述
        2.4.1 深度學習的發(fā)展
        2.4.2 深度學習的核心算法
    2.5 常見的深度學習模型
        2.5.1 卷積神經網絡
        2.5.2 自編碼器
        2.5.3 變分自編碼器
    2.6 本章小結
第三章 基于混合高斯變分自編碼器的異常檢測模型
    3.1 引言
    3.2 異常檢測模型
        3.2.1 模型結構
        3.2.2 混合高斯變分自編碼器
        3.2.3 深度支持向量數據描述網絡
        3.2.4 異常檢測過程
    3.3 網絡模型設計
    3.4 實驗
        3.4.1 實驗配置及數據集
        3.4.2 評價標準
        3.4.3 MNIST數據集實驗結果與分析
        3.4.4 Fashion-MNIST數據集實驗結果與分析
    3.5 本章小結
第4章 基于稀疏變分自編碼器的異常檢測模型
    4.1 引言
    4.2 異常檢測模型
        4.2.1 模型結構
        4.2.2 稀疏變分自編碼器
        4.2.3 異常檢測過程
    4.3 實驗
        4.3.1 實驗配置及數據集
        4.3.2 稀疏性實驗
        4.3.3 異常檢測實驗
    4.4 本章小結
第5章 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻
附錄



本文編號：3856346