基于多元时序数据的系统状态感知设计与实现

发布时间：2023-04-29 00:12

　　状态感知是一个重要的研究领域。实时准确地检测出系统与数据中的异常可以为系统的监控、灾难的预防、入侵检测等提供重要帮助。而数据在多数领域中都以时间序列的形式进行传输,因此,能够检测出时间序列数据中的异常非常重要。近年来,随着大数据科学与机器学习技术的发展,数据的维度与量级显著增加,传统的单维度时间序列状态感知无法满足当前数据样本的需求,若直接将其移植到多维度领域,则通常无法同时保持算法的准确性与实时性。因此,亟待专门针对多维度时间序列数据设计状态感知算法。基于此,本文提出了基于长短期记忆网络LSTM(Long Short-Term Memory)与高斯混合模型的实时多维度时间序列数据状态感知算法LGMAD。首先,本文对于LSTM神经网络进行改进,在LSTM神经网络的基础之上提出了单维度时间序列数据状态感知算法LSTM-BP,利用LSTM-BP算法对多维度时间序列数据中每个维度的异常先进行单独检测。通过将序列预测值与真实值之间的差异进行对比分析,实现异常的初次筛选,从而得出每个单独维度上的异常分数列表,完成单维度时间序列状态感知,并以此作为多维度时间序列状态感知的基础。其次,对于由LSTM...

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 论文课题研究背景与意义
    1.2 本文研究内容与结构安排
2 国内外相关研究
    2.1 状态感知研究现状
    2.2 单维度时间序列数据状态感知研究现状
    2.3 多维度时间序列数据状态感知研究现状
    2.4 小结
3 基于LSTM的单维度时间序列状态感知算法
    3.1 系统模型描述与异常定义
    3.2 长短期记忆网络
    3.3 单维度时间序列状态感知算法LSTM-BP
    3.4 小结
4 基于LSTM和多元高斯模型的LGMAD多维状态感知算法
    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 多元高斯模型的构建
        4.2.1 训练模型
        4.2.2 拟合阈值
        4.2.3 分析异常
    4.3 基于LSTM和多元高斯模型的LGMAD多维状态感知算法
    4.4 小结
5 实验与分析
    5.1 实验平台与数据集说明
    5.2 一维状态感知性能对比与分析
        5.2.1 有效性分析
        5.2.2 性能分析
    5.3 多维状态感知算法对比与分析
    5.4 小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3804767