基于LSTM-WGAN的时间序列数据异常检测

在时序数据中发现隐藏的异常行为或事件,可以保障生产安全,具有重要意义。目前的异常检测模型存在训练不稳定、容易产生梯度消失的问题,影响异常检测效果,针对该问题,提出一种LSTM-WGAN模型,WGAN负责捕获变量之间的潜在关联,进一步提升了LSTM的检测能力。同时,以Wasserstein距离代替交叉熵损失训练判别器和生成器,结合重构损失以及判别损失实现异常检测。在NAB公开数据集上的实验结果表明LSTM-WGAN相较于基准模型在准确率、召回率以及F1得分上都有较大幅度的提升。     

基于序贯概率比检验的爆炸物检测系统

设计一种基于标记中子方法的爆炸物检测系统, 采用ING-27型中子发生器与硅酸钇镥闪烁晶体（LYSO）γ探测器进行探测, 并基于序贯概率比检验（SPRT）方法判别爆炸物. 通过[KG*8]对干奶粉、 硝铵(AMM)和TNT模拟物进行检测, 分析计算测量γ能谱数据中C,N,O三种元素的特征峰, 将所得概率比结果与相应的设定阈值ln A和ln B进行比较. 结果表明, SPRT方法可应用于爆炸物检测.     

基于Unscented卡尔曼滤波新息的多变量序贯概率比检验故障检测方法

针对非线性多变量过程监控问题,提出一种基于预测新息的多变量序贯概率比检验(SPRT)方法.首先利用Unscented卡尔曼滤波(UKF)基于正常过程模型预测输出值,将预测输出值与过程测量得到的实际输出值对比产生预测新息,然后引入多变苣SPRT方法分析多元新息的统计特性,构造对数概率似然比判决函数和判决规则,监控过程的运行状态并对故障状态进行报警.在连续搅拌反应器上的仿真应用结果表明,所提出的故障检测方法能够有效实现过程监控,比传统的残差加权平方和方法误报率低、检测速度快.     

基于改进ADPP的多变量时间序列异常检测

针对多变量时间序列异常检测问题进行研究,提出基于改进ADPP的多变量时间序列异常检测算法IADPP.IADPP算法引入适用于多变量时间序列的张量相似性度量SSOTPCA,并以此相似性度量构造序列集的k-近邻图,在构造的k-近邻图上计算多变量时间序列的异常系数.研究结果表明,IADPP算法克服了原有ADPP算法不支持多变量时间序列和要求密度均匀的缺陷,取得了较好的检测结果.     

概率比检验中的时间序贯方法

在概率比检验中加入时间序贯的考虑,对指数模型有随机进入时间及有截断数据的情形提出了时间序贯检验的方法,并对概率比 有无时间序贯考虑的两种情况下的检验结果进行民比较,给出了计算机模拟结果。     

基于统计方法的异常点检测在时间序列数据上的应用

异常点是时间序列数据中不可避免的特殊点,会对时间序列数据的分析产生负面影响。文章设计了一种适用于时间序列数据的基于统计的异常点检测与修正方法,可以有效地检测出异常点出现的位置并进行修正。使用酒店间夜数据进行的数值实验表明,使用修正后的数据集相对于使用原数据集预测精度会提高3.4%～4.4%。     

基于改进K-means的电力数据异常检测算法

异常检测方法在电力领域有着广泛的应用,如设备故障检测和异常用电检测等.改进了传统Kmeans聚类随机选择初始聚类中心的策略;结合数据对象的密集度与最大近邻半径,选择更加接近实际簇中心的数据点作为初始聚类中心,并在此基础上提出了一种基于改进K-means算法的电力数据异常检测新方法.实验表明,上述算法具有更优的聚类效果和异常检测性能,并且在应用于电力领域时,算法可以有效地检测出异常电力数据.     

基于Landsat数据和农田概率时间序列子序列的退耕监测方法

提出一种利用Landsat数据和时间序列子序列的退耕监测方法.首先利用随机森林方法,对每年的Landsat数据统计值进行分类,得到每个像元属于农田的概率,由每年的农田概率构成年际的农田概率时间序列;然后,对退耕(农田变为非农田)及相关地物类别的农田概率时间序列进行分析,得到代表退耕的时间序列片段,即特征子序列;最后,计...     

指数分布异常数据检验的Bayes方法

研究了指数分布场合异常数据的检验问题,提出了无信息先验分布下的Bayes检验方法．利用分布参数的先验分布严格推导出新的检验统计量及其后验分布函数．实例和蒙特卡罗模拟表明了方法是可行的,适用于同时含有异常大、异常小数据的情形,并能够避免遭受屏蔽效应．     

基于改进概率霍夫直线检测的电梯门状态检测方法

针对电梯物联网改造外加传感器施工困难、成本较高等问题,该文提出了一种基于前置图像处理的电梯门状态直线检测方法。针对轿厢外背景及门板工艺对直线检测算法的干扰提出基于规则决策的解决方案。通过提取视频流电梯门图像进行预处理,使用改进概率霍夫直线检测算法提取特征直线,结合基于先验知识的判断规则,实现对电梯门开、关及故障状态的实时检测。通过多个门开关场景验证了算法的有效性,实验结果分析表明,该文提出的限角概率霍夫直线检测算法提取特征直线比概率霍夫直线检测算法耗时减少10%,查准率和查全率均优于概率霍夫直线检测算法,能适用于边缘侧电梯门状态检测系统。     

一种基于PCA的时间序列异常检测方法

在 k-近邻局部异常检测算法的基础上,采用基于主成分分析的多元时间序列的降维方法,依据累积贡献率选择主成分序列,给出了一种效率较高的多元时间序列异常检测算法.实验结果表明:该算法可以较好地提高多元时间序列异常检测的效率     

基于GAN的多变量时间序列异常检测方法

近年来,生成对抗网络在多变量时间序列异常检测中得到了广泛应用。然而现有解决方案多存在一些局限性,主要限制是没有明确地捕捉多变量时间序列在时间维度和特征维度上的复杂依赖关系而导致误报。针对该问题,本文使用生成对抗网络对多变量时间序列进行建模,通过在各网络中加入一个多通道注意力层来捕捉数据时间和空间维度的重要性,以提高异常检测的准确性。此外,生成器使用解码-编码器结构,通过在训练阶段对编码器、解码器和判别器进行联合训练,使得异常检测阶段无需计算从实时空间到隐空间的最佳映射,以此提高异常检测的效率。本文在两个公开数据集上进行了实验验证,结果表明,所提方法相较于基线方法在异常检测性能上优势明显。     

基于柯西分布的水文序列异常值检测方法

针对基于正态分布的检测算法在窗口中出现偏差较大的极端异常值时,检测模型出现不稳定的现象,提出一种基于柯西分布的异常检测算法。通过试验发现,用滑动窗口内的中位数以及中位数绝对偏差来代替均值以及标准差,可以较好地消除滑动窗口内极端异常值对检测算法的影响。探讨了算法中滑动窗口以及置信度的设置,并通过实例对算法进行验证。结果表明,所提算法的检出率在窗口以及置信度设置恰当的情况下保持较高水平。与其他算法对比表明,所提算法对于处理局部波动剧烈的流量时间序列展现出较好的适用性以及鲁棒性。     

基于改进MSPCA的网络异常检测方法研究

网络异常检测作为一种重要的网络监管手段,对于保证网络的可靠运行具有非常重要的意义.本文提出了一种基于改进MSPCA的网络异常检测算法,主要思想是通过引入能量贡献效率ECE来控制PCA滤波器的尺度,之后,采用贝叶斯PCA对小波系数矩阵进行滤波.该算法克服了传统MSPCA算法参数选择困难和时间复杂度较高的缺点,可以更加有效地分离网络中的异常数据.实验结果表明,与其他的检测算法相比,改进MSPCA的检测算法取得了良好的检测效果.     

Robust型概率比检验的适用范围

本文研究了两个分布族是否相交的各种情况,给出了一系列有用的定理和推论,指出只要计算限幅常数c′、c″就能判别两个分布族有否交点,从而决定能否采用Robust型概率比检验方法。本文还证明了Robust型概率比检验的极小极大解对一类非平稳过程也是适用的。     

灰色模型数据序列光滑比的改进及应用

由于GM(1,1)模型在建模过程中的问题,造成模型的应用具有一定的局限性,为改变这种局限性,本文从提高原始数据序列光滑比的角度出发,提出一种新的改进方法,从而拓宽了灰色预测模型的应用范围,并提高了模型的拟合精度和预测精度.     

基于时间序列分析的机电系统状态数据的检验方法

本文以机电设备群为例，实时运行数据为基础，利用时间序列方法，研究了系统的运行状态。建立了系统及其相关的故障传播模型。指出了时间序列模型的性质、目标和类别。最后，针对实际数据分析了时间序列平衡性的检验方法。     

基于多层感知器的异常数据实时检测方法

基于神经网络的多层感知器模型,结合滚动学习 预报机制,提出了一种异常数据实时检测方法.该方法在每个当前时刻通过最近的固定长度的历史数据训练神经网络,完成下一时刻的预报.通过神经网络模型残差,确定概率为P的置信区间.当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常.被判为异常的数据不再用作更新历史数据,而以相应的预报值代替.通过某300 MW燃煤火力电站实际过程数据的在线验证,结果证明了所提出方法的有效性.     

基于时间序列分析的网络流量异常检测

针对传统模型无法对网络流量异常进行准确识别和检测的问题,提出一种基于时间序列分析的网络流量异常检测模型.首先提取网络流量的原始数据,并对原始数据进行小波阈值去噪处理,消除干扰因素的影响;然后采用时间序列分析法挖掘网络流量数据之间的变化关系,建立网络流量异常检测模型;最后通过仿真实验验证检测模型的有效性和优越性.实验结果表明,时间序列分析法可以准确、及时地检测网络流量的异常行为,且结果优于目前其他网络流量异常检测模型.