期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
鲁棒物联网多维时序数据预测方法
1
作者
沈忱
何勇
彭安浪
《计算机工程》
北大核心
2025年第4期107-118,共12页
在物联网(IoT)场景中,数据在采集和传输过程中易受噪声的干扰,导致数据中存在一定的离群值与缺失值。现有的时间正则化矩阵分解模型通常考虑平方损失来衡量重构误差,忽略了处理存在异常数据的多维时间序列时,矩阵分解的质量同样是影响...
在物联网(IoT)场景中,数据在采集和传输过程中易受噪声的干扰,导致数据中存在一定的离群值与缺失值。现有的时间正则化矩阵分解模型通常考虑平方损失来衡量重构误差,忽略了处理存在异常数据的多维时间序列时,矩阵分解的质量同样是影响模型预测性能的关键因素。提出一种基于L_(2,log)范数的时间感知鲁棒非负矩阵分解多维时序预测框架(TARNMF)。TARNMF通过非负矩阵分解(NMF)和参数可学习的自回归(AR)时间正则项建立多维时序数据的时空相关性,基于存在离群值的数据服从拉普拉斯分布的假设,使用L_(2,log)范数来估计非负鲁棒矩阵分解中原始数据和重建矩阵的误差,以减小异常数据对预测模型的干扰。L_(2,log)范数具备现有鲁棒度量函数的性质,解决了L_(1)损失的近似问题,并通过压缩异常值的残差来减少其对目标函数的影响。此外,提出一种基于投影梯度下降的优化方法对模型进行优化。实验结果表明,TARNMF具有良好的可扩展性和鲁棒性,尤其在高维Solar数据集上,较次优结果的相对平均绝对误差降低了8.64%。同时,在噪声数据上的实验结果验证了TARNMF能高效地处理和预测存在异常数据的IoT时序数据。
展开更多
关键词
L_(2
log)范数
非负矩阵分解
时间正则化矩阵分解
多维时序数据
预测
鲁棒性
在线阅读
下载PDF
职称材料
融合统计方法和双向卷积LSTM的多维时序数据异常检测
被引量：
13
2
作者
夏英
韩星雨
《计算机应用研究》
CSCD
北大核心
2022年第5期1362-1367,1409,共7页
通过数据分析进行异常检测,有助于准确识别异常行为,从而提高服务质量和决策能力。然而,由于多维时序数据的时空依赖性以及异常事件发生的随机性,现有方法仍然存在一定的局限性。针对上述问题,提出一种融合新型统计方法和双向卷积LSTM...
通过数据分析进行异常检测,有助于准确识别异常行为,从而提高服务质量和决策能力。然而,由于多维时序数据的时空依赖性以及异常事件发生的随机性,现有方法仍然存在一定的局限性。针对上述问题,提出一种融合新型统计方法和双向卷积LSTM的多维时序数据异常检测方法MBCLE。该方法引入堆叠的中值滤波处理输入数据中的点异常并平滑数据波动;设计双向卷积长短期记忆网络(Bi-ConvLSTM)和双向长短期记忆网络(Bi-LSTM)相结合的预测器进行数据建模和预测;通过双向循环指数加权移动平均(BrEWMA)平滑预测误差;使用动态阈值方法计算阈值以检测上下文异常。实验结果表明,MBCLE具有良好的检测性能,各步骤均对性能提升有所贡献。
展开更多
关键词
多维时序数据
异常检测
长短期记忆网络
中值滤波
在线阅读
下载PDF
职称材料
基于工业系统多维传感数据的异常检测与诊断
被引量：
1
3
作者
蒋融融
顾国民
+2 位作者
刘洋
周丹
周君良
《浙江工业大学学报》
CAS
北大核心
2024年第6期621-632,665,共13页
随着工业互联网的快速发展,工业控制系统实现了更敏锐、更高效的自动化控制和资源分配。对于系统中存在的设备故障、性能下降、质量缺陷等生产问题,进行异常检测和检测结果解释是工业系统的基本要求。然而,现有对深度学习模型进行解释...
随着工业互联网的快速发展,工业控制系统实现了更敏锐、更高效的自动化控制和资源分配。对于系统中存在的设备故障、性能下降、质量缺陷等生产问题,进行异常检测和检测结果解释是工业系统的基本要求。然而,现有对深度学习模型进行解释的方法都专注于有监督学习模型,对于自编码器等新型的深度无监督学习模型,几乎无法让现有的深度学习可解释框架学习到异常样本与语义特征之间的关联,导致无法对深度无监督学习模型进行解释。为克服现有方法的不足,提出基于多维时序数据的异常检测方案,结合图注意力网络实现检测结果解释,基于一个真实的造纸数据集进行实验,异常检测结果的AUC值超过0.88,表明该方案具有可行性。
展开更多
关键词
异常检测
异常诊断
工业控制系统
多维时序数据
可解释性
在线阅读
下载PDF
职称材料
题名
鲁棒物联网多维时序数据预测方法
1
作者
沈忱
何勇
彭安浪
机构
贵州大学公共大数据国家重点实验室
贵州大学计算机科学与技术学院
贵州兆信数码技术有限公司
出处
《计算机工程》
北大核心
2025年第4期107-118,共12页
基金
贵州省科技支撑计划项目(黔科合支撑[2022]一般267)。
文摘
在物联网(IoT)场景中,数据在采集和传输过程中易受噪声的干扰,导致数据中存在一定的离群值与缺失值。现有的时间正则化矩阵分解模型通常考虑平方损失来衡量重构误差,忽略了处理存在异常数据的多维时间序列时,矩阵分解的质量同样是影响模型预测性能的关键因素。提出一种基于L_(2,log)范数的时间感知鲁棒非负矩阵分解多维时序预测框架(TARNMF)。TARNMF通过非负矩阵分解(NMF)和参数可学习的自回归(AR)时间正则项建立多维时序数据的时空相关性,基于存在离群值的数据服从拉普拉斯分布的假设,使用L_(2,log)范数来估计非负鲁棒矩阵分解中原始数据和重建矩阵的误差,以减小异常数据对预测模型的干扰。L_(2,log)范数具备现有鲁棒度量函数的性质,解决了L_(1)损失的近似问题,并通过压缩异常值的残差来减少其对目标函数的影响。此外,提出一种基于投影梯度下降的优化方法对模型进行优化。实验结果表明,TARNMF具有良好的可扩展性和鲁棒性,尤其在高维Solar数据集上,较次优结果的相对平均绝对误差降低了8.64%。同时,在噪声数据上的实验结果验证了TARNMF能高效地处理和预测存在异常数据的IoT时序数据。
关键词
L_(2
log)范数
非负矩阵分解
时间正则化矩阵分解
多维时序数据
预测
鲁棒性
Keywords
L_(2,log)norm
Nonnegative Matrix Factorization(NMF)
temporal regularized matrix factorization
multidimensional time series data prediction
robustness
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
融合统计方法和双向卷积LSTM的多维时序数据异常检测
被引量：
13
2
作者
夏英
韩星雨
机构
重庆邮电大学计算机科学与技术学院
出处
《计算机应用研究》
CSCD
北大核心
2022年第5期1362-1367,1409,共7页
基金
国家自然科学基金资助项目(41971365)
重庆市高技术产业重大产业技术研发项目(D2018-82)
重庆市教委重点合作项目(HZ2021008)。
文摘
通过数据分析进行异常检测,有助于准确识别异常行为,从而提高服务质量和决策能力。然而,由于多维时序数据的时空依赖性以及异常事件发生的随机性,现有方法仍然存在一定的局限性。针对上述问题,提出一种融合新型统计方法和双向卷积LSTM的多维时序数据异常检测方法MBCLE。该方法引入堆叠的中值滤波处理输入数据中的点异常并平滑数据波动;设计双向卷积长短期记忆网络(Bi-ConvLSTM)和双向长短期记忆网络(Bi-LSTM)相结合的预测器进行数据建模和预测;通过双向循环指数加权移动平均(BrEWMA)平滑预测误差;使用动态阈值方法计算阈值以检测上下文异常。实验结果表明,MBCLE具有良好的检测性能,各步骤均对性能提升有所贡献。
关键词
多维时序数据
异常检测
长短期记忆网络
中值滤波
Keywords
multi-dimensional time series data
anomaly detection
long short-term memory network
median filter
分类号
TP309 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
基于工业系统多维传感数据的异常检测与诊断
被引量：
1
3
作者
蒋融融
顾国民
刘洋
周丹
周君良
机构
浙江开放大学教学中心
浙江工业大学计算机科学与技术学院(软件学院)
浙江浙石油综合能源销售有限公司
出处
《浙江工业大学学报》
CAS
北大核心
2024年第6期621-632,665,共13页
基金
浙江省重点研发计划项目(2021C01117)
浙江省自然科学基金重大资助项目(LD22F020002)
+2 种基金
国家自然科学基金重点资助项目(U22B2028)
浙江省科技计划项目-万人计划(2020R52011)
浙江开放大学312人才培养工程课题(ZYJXTD202202)的资助。
文摘
随着工业互联网的快速发展,工业控制系统实现了更敏锐、更高效的自动化控制和资源分配。对于系统中存在的设备故障、性能下降、质量缺陷等生产问题,进行异常检测和检测结果解释是工业系统的基本要求。然而,现有对深度学习模型进行解释的方法都专注于有监督学习模型,对于自编码器等新型的深度无监督学习模型,几乎无法让现有的深度学习可解释框架学习到异常样本与语义特征之间的关联,导致无法对深度无监督学习模型进行解释。为克服现有方法的不足,提出基于多维时序数据的异常检测方案,结合图注意力网络实现检测结果解释,基于一个真实的造纸数据集进行实验,异常检测结果的AUC值超过0.88,表明该方案具有可行性。
关键词
异常检测
异常诊断
工业控制系统
多维时序数据
可解释性
Keywords
anomaly detection
anomaly diagnosis
industrial control system
multidimensional time series data
interpretability
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
鲁棒物联网多维时序数据预测方法
沈忱
何勇
彭安浪
《计算机工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
融合统计方法和双向卷积LSTM的多维时序数据异常检测
夏英
韩星雨
《计算机应用研究》
CSCD
北大核心
2022
13
在线阅读
下载PDF
职称材料
3
基于工业系统多维传感数据的异常检测与诊断
蒋融融
顾国民
刘洋
周丹
周君良
《浙江工业大学学报》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
