如今深度學(xué)習(xí)在異常檢測中得到了廣泛應(yīng)用。但是,基于深度學(xué)習(xí)的方法在訓(xùn)練階段采用反向傳播算法（Back Propagation,BP）進(jìn)行模型的參數(shù)更新,需要花費(fèi)大量時(shí)間,并且可能會丟失部分信息�；谏鲜鲈�,提出一種基于均方誤差的寬度學(xué)習(xí)系統(tǒng)（Mean Square Error based Broad Learning System,MSE_BLS）異常檢測方法。在公開數(shù)據(jù)集上進(jìn)行測試,并與其他檢測方法進(jìn)行比較。結(jié)果表明,MSE_BLS能夠在保證高效率異常檢測的同時(shí),獲得較高的異常檢測準(zhǔn)確率。 

【文章來源】：信息工程大學(xué)學(xué)報(bào). 2020,21(02)

【文章頁數(shù)】：5 頁

【部分圖文】：

MSE＿BLS異常檢測結(jié)構(gòu)圖

如圖2所示，實(shí)驗(yàn)分析了數(shù)據(jù)集2上MSE＿BLS設(shè)置的特征節(jié)點(diǎn)數(shù)。結(jié)果表明，隨著節(jié)點(diǎn)數(shù)量的不斷增加，ACC和F1-score不斷增加，直至達(dá)到99.82%和0.9987，分析原因在于特征節(jié)點(diǎn)設(shè)置較少時(shí)，模型泛化能力較弱，當(dāng)節(jié)點(diǎn)數(shù)不斷增加，其泛化能力不斷增強(qiáng)，最終獲得較為穩(wěn)定的BLS。4 結(jié)束語

【參考文獻(xiàn)】：
期刊論文
[1]特征選擇方法綜述[J]. 王娟,慈林林,姚康澤.  計(jì)算機(jī)工程與科學(xué). 2005(12)
[2]異常檢測方法綜述[J]. 張劍,龔儉.  計(jì)算機(jī)科學(xué). 2003(02)



本文編號：3630728