论文学习——基于集成LSTM-AE的时间序列异常检测方法
文章目录
- 0 封面
- 1 标题
- 2 摘要
- 3 结语
- 4 引言
- 4.1 一个问题
- 4.1 新方向
- 5 实验设计
写在前面:《华中科技大学学报(自然科学版)》;主办单位:华中科技大学;中文核心;双月报;
0 封面
1 标题
- 基于集成LSTM-AE的时间序列异常检测方法
- ①方法:LSTM-AE
- ② 方向:时间序列异常检测
2 摘要
- “这篇文章研究了什么?”——提出LSTM-AE框架(LAEE),使得正常序列和异常序列的重建误差分化程度加大。
- “用了什么方法?”——预训练阶段和预检测阶段,在异常检测阶重建误差矩阵。
- “得到了什么结果?”——使检测目标正常序列与异常序列误差分化程度加大,提高了异常检测精度。
3 结语
- 实验设计:训练集划分为正向和负向的。
①使用正常序列,训练多个维度不同的LSTM-AE
②使用异常序列,进行预检测,挑选出基检测器,并设置权重
③ 在异常检测阶段,对各个基检测器产生的目标时间序列的重建误差加权集成,获得最终重建误差矩阵
④通过与重建阈值比较,进行异常判定。
4 引言
- 异常,也称为离群值,是指与其他观测结果相差甚远,以至于怀疑其是由另一种机制产生的数据。[3]
(这句话出现的频率太高了,在陈玉明的人的论文《基于知识粒度的异常数据挖掘算法》中,也出现过。)
4.1 一个问题
- 如果一句非常经典话,是1980年的研究论文的内容,是否需要引用呢?
- 师兄说,要看原文的。可能还是得引。
- 目前已有的研究工作。
- 重点看深度学习的模型。
4.1 新方向
- 基于的时间序列异常检测方法不再适用,例如[13]。
- 新的方法是:基于重建的方法。
- 通过重建序列进行异常检测:[14-15],基于自编码器AE
5 实验设计
LAEE时间序列异常检测
训练阶段:分为正常数据D1D1D1和异常数据D2D2D2,用D1D1D1训练LSTM-AE。
【这个地方确实不明白,啥叫包含全部异常数据序列的集合呀】用D2D2D2对训练好的AE进行预测试,与重建阈值比较,进行异常判定
论文学习——基于集成LSTM-AE的时间序列异常检测方法相关推荐
- 【阅读论文】基于统计特征的无监督时间序列异常检测方法
文章目录 摘要 1.介绍 2.相关工作 3.问题描述 4.方法 4.1 统计特征 4.2提取特征总结 4.3 学习阶段算法 4.4测试阶段算法 5.结果 5.1 YOB评价:单变量 5.3对合成数据集 ...
- 【深度学习】在PyTorch中使用 LSTM 自动编码器进行时间序列异常检测
写在前面 环境准备 本次数据集的格式.arff,需要用到arff2pandas模块读取. # !nvidia-smi # !pip install -qq arff2pandas # !pip ins ...
- 日冕物质抛射检测matlab,日冕图像论文,关于基于实时数据的日冕物质抛射自动检测方法相关参考文献资料-免费论文范文...
导读:本论文主要论述了日冕图像论文范文相关的参考文献,对您的论文写作有参考作用. (昆明理工大学信息与自动化学院,昆明 650504) (Faculty of Information Engineer ...
- 基于生成对抗网络的时间序列异常检测
来自论文 论文链接 https://ieeexplore.ieee.org/abstract/document/9308512 论文中提出了一个TAnoGan模型,模型结构是:生成器使用了三层的LST ...
- 基于GAN框架的时间序列异常检测研究综述
一项综述类的课程作业 Anomaly detection with generative adversarial networks for multivariate time series. MAD- ...
- 【时间序列异常检测】Anomaly-Transformer
论文链接:https://arxiv.org/pdf/2110.02642.pdf 来自 ICLR 2022 Anomaly-Transformer:基于关联差异(Association Discre ...
- ICDM2019|基于多尺度描述神经网络的余震检测方法
你和"懂AI"之间,只差了一篇论文 很多读者给芯君后台留言,说看多了相对简单的AI科普和AI方法论,想看点有深度.有厚度.有眼界--以及重口味的专业论文. 为此,在多位AI领域的专 ...
- UEBA 学术界研究现状——用户行为异常检测思路:序列挖掘prefixspan,HMM,LSTM/CNN,SVM异常检测,聚类CURE算法...
论文 技术分析 <关于网络分层信息泄漏点快速检测仿真> "1.基于动态阈值的泄露点快速检测方法,采样Mallat算法对网络分层信息的离散采样数据进行离散 小波变换;利用滑动窗口对 ...
- 离群点检测方法_干货 :时间序列异常检测
异常检测(Anomaly detection)是目前时序数据分析最成熟的应用之一,定义是从正常的时间序列中识别不正常的事件或行为的过程.有效的异常检测被广泛用于现实世界的很多领域,例如量化交易,网络安 ...
最新文章
- haproxy 学习记录
- vim替换某行到某行的命令方法
- yjv是电缆还是电线_BVV属于电线还是电缆?
- [mybatis]sqlSessionFactory.openSession()
- linux去重统计个数,linux 文件内容查找、去重、统计(示例代码)
- LINUX下的FTP服务器
- 支付宝新漏洞引发恐慌,那如何关闭小额免密支付呢
- linux内核中等待队列(wait_event,wake_up...)
- 高中计算机平面设计计划书,日照师范学校计算机平面设计专业教学方案.doc
- linux压缩文件zip,在 Linux 上压缩文件:zip 命令的各种变体及用法
- 量化交易中N字型技术形态的实现,天勤,mindgo,python版同花顺,okex,huobi,binance等平台都可正常使用
- android怎么防8门神器,Android八门神器使用图文教程
- java键盘事件无反应_键盘事件,没反应
- MyBatis系列:mybatis用foreach循环添加多条数据!
- 学习JME3的第一次小结
- #pragma clang diagnostic
- Python例题8-3~8-4 T恤
- 项目型公司 VS 产品型公司
- 2021年下半场品牌入局小红书的三板斧-小红书数据分析
- 【主题词——蓝色妖姬】
热门文章
- 读书笔记《疯狂人类进化史》,第三章,肤色中隐藏的进化奥秘
- piapiapia(代码审计、反序列化逃逸、函数绕过)
- 为什么说计算机内存不够,excel为什么总是内存不够
- STM32H7并行读取AD7606数据以及片内AD值不准解决办法
- [Linux Audio Driver] Android7 外部PA Speaker代码结构
- 长江大学物理学院李c语言,李继军 - 长江大学 - 物理与光电工程学院
- Notion 公开页面启用Dark mode
- 使用 Go 从零开发并发布一个 Kubectl 插件
- Yarn 源码 | 分布式资源调度引擎 Yarn 内核源码剖析
- 谁不是一边升学求职,一边死在路上