工业生产装置通常设置传感器报警阈值进行报警,但是对处于报警阈值以下的时间序列异常难以及时捕捉。基于统计的传统检测方法在解决时间序列异常检测上存在很大挑战,因此提出基于long short term memory(LSTM)时间序列重建的方法进行生...工业生产装置通常设置传感器报警阈值进行报警,但是对处于报警阈值以下的时间序列异常难以及时捕捉。基于统计的传统检测方法在解决时间序列异常检测上存在很大挑战,因此提出基于long short term memory(LSTM)时间序列重建的方法进行生产装置的异常检测。该算法首先引入一层LSTM网络对传感器数据的时间序列进行向量表示,采用另一层LSTM网络对时间序列进行逆序重建,然后利用重建值与实际值之间的误差,通过极大似然估计方法对该段序列进行异常概率估计,最终通过学习异常报警阈值实现时间序列异常检测。采用ECG测试数据、能源数据与危险品储罐传感器数据进行了仿真实验,验证了所提方法在不同长度的数据上的有效性。展开更多
提出了新的基于离散傅立叶变换(DFT)的重叠频分复用(Overlapped Frequency Division Multiplexing-OvFDM)或非正交频分复用(Non-orthogonal Frequency Division Multiplexing-NOFDM)系统。该系统利用相互重叠的子载波对所发送的数据符...提出了新的基于离散傅立叶变换(DFT)的重叠频分复用(Overlapped Frequency Division Multiplexing-OvFDM)或非正交频分复用(Non-orthogonal Frequency Division Multiplexing-NOFDM)系统。该系统利用相互重叠的子载波对所发送的数据符号序列进行调制,形成复调制信号,接收端采用最大似然序列检测。该系统的频谱效率与重叠重数成正比,可以大幅度的提高频谱效率;并且该系统子载波带宽大于信道相关带宽,系统在随机时变信道中会自动产生隐分集增益,因此具有较强的抗衰落能力。展开更多
文摘工业生产装置通常设置传感器报警阈值进行报警,但是对处于报警阈值以下的时间序列异常难以及时捕捉。基于统计的传统检测方法在解决时间序列异常检测上存在很大挑战,因此提出基于long short term memory(LSTM)时间序列重建的方法进行生产装置的异常检测。该算法首先引入一层LSTM网络对传感器数据的时间序列进行向量表示,采用另一层LSTM网络对时间序列进行逆序重建,然后利用重建值与实际值之间的误差,通过极大似然估计方法对该段序列进行异常概率估计,最终通过学习异常报警阈值实现时间序列异常检测。采用ECG测试数据、能源数据与危险品储罐传感器数据进行了仿真实验,验证了所提方法在不同长度的数据上的有效性。
文摘提出了新的基于离散傅立叶变换(DFT)的重叠频分复用(Overlapped Frequency Division Multiplexing-OvFDM)或非正交频分复用(Non-orthogonal Frequency Division Multiplexing-NOFDM)系统。该系统利用相互重叠的子载波对所发送的数据符号序列进行调制,形成复调制信号,接收端采用最大似然序列检测。该系统的频谱效率与重叠重数成正比,可以大幅度的提高频谱效率;并且该系统子载波带宽大于信道相关带宽,系统在随机时变信道中会自动产生隐分集增益,因此具有较强的抗衰落能力。
