隨著信息技術(shù)的快速發(fā)展,各類數(shù)據(jù)規(guī)模不斷擴大,時間序列數(shù)據(jù)作為重要的數(shù)據(jù)類型受到廣泛關(guān)注和研究。在對時間序列數(shù)據(jù)進行挖掘的時候會出現(xiàn)一些與數(shù)據(jù)模型或一般規(guī)律不一致的數(shù)據(jù),這些異常數(shù)據(jù)在不同場景下大都包含了重要的信息和知識,忽視這些異常數(shù)據(jù)往往會造成不可挽回的經(jīng)濟損失,對這些少量異常數(shù)據(jù)的研究也顯得愈發(fā)重要,這使得時間序列的異常檢測成為數(shù)據(jù)挖掘領(lǐng)域的重要研究內(nèi)容。近年來,深度學(xué)習(xí)技術(shù)也在各行各業(yè)得到廣泛研究和應(yīng)用并取得了不錯的進展,也有學(xué)者嘗試將深度學(xué)習(xí)技術(shù)應(yīng)用于時間序列數(shù)據(jù)的異常檢測,但目前這方面的研究還不夠深入。基于前人的研究,本文對深度學(xué)習(xí)中特征表達能力較強的卷積神經(jīng)網(wǎng)絡(luò)、記憶能力較強的長短期記憶網(wǎng)絡(luò)等進行研究和創(chuàng)新,并將改進的算法應(yīng)用于時間序列的異常檢測任務(wù),同時還結(jié)合了其它智能算法提高算法的計算效率和檢測精度,取得了較好的效果。首先,本文提出了一個基于全卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督時間序列異常檢測算法HPCSLSFCN。對于有標(biāo)簽的時間序列數(shù)據(jù),我們構(gòu)建了適用于其的二分類模型CSLSFCN,為了提高算法特征學(xué)習(xí)能力,提升相對重要的特征并抑制對當(dāng)前任務(wù)用處不大的特征,我們在卷積層之間嵌入...

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.2 長短期記憶網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.3 異常檢測的研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容與創(chuàng)新點
        1.3.1 論文主要內(nèi)容和結(jié)構(gòu)
        1.3.2 論文的創(chuàng)新點
第二章 相關(guān)理論基礎(chǔ)
    2.1 時間序列相關(guān)理論基礎(chǔ)介紹
        2.1.1 時間序列分類
        2.1.2 時間序列預(yù)測
    2.2 深度學(xué)習(xí)模型介紹
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 長短期記憶網(wǎng)絡(luò)
        2.2.3 自編碼器
    2.3 鏈式P系統(tǒng)
第三章 基于FCN的時間序列異常檢測算法(HP-CSLSFCN)
    3.1 CSLSFCN時間序列異常檢測算法
        3.1.1 嵌入SENet結(jié)構(gòu)的改進FCN算法(SFCN)
        3.1.2 代價敏感損失函數(shù)(Cost-Sensitive Loss Function,CS)
        3.1.3 CSLSFCN算法流程
    3.2 基于混合鏈式P系統(tǒng)的HP-CSLSFCN算法
        3.2.1 HP-CSLSFCN系統(tǒng)的構(gòu)建
        3.2.2 系統(tǒng)運行機制
    3.3 實驗結(jié)果與分析
        3.3.1 數(shù)據(jù)集及實驗平臺描述
        3.3.2 評價指標(biāo)
        3.3.3 實驗結(jié)果與性能分析
第四章 基于LSTM的時間序列異常檢測算法(IPSO-LSTM-AE)
    4.1 LSTM自編碼器時間序列異常檢測算法(LSTM-AE)
        4.1.1 數(shù)據(jù)預(yù)處理方法
        4.1.2 LSTM-AE算法流程
    4.2 粒子群算法優(yōu)化的LSTM-AE(IPSO-LSTM-AE)
        4.2.1 帶有自適應(yīng)慣性因子的粒子群算法
        4.2.2 IPSO-LSTM-AE算法流程
    4.3 實驗結(jié)果與分析
        4.3.1 數(shù)據(jù)集描述
        4.3.2 評價指標(biāo)
        4.3.3 實驗結(jié)果與性能分析
第五章 HP-CSLSFCN及 IPSO-LSTM-AE在智能運維中的應(yīng)用
    5.1 智能運維問題描述與評價指標(biāo)
    5.2 KPI數(shù)據(jù)介紹與分析
    5.3 基于IPSO-LSTM-AE及 HP-CSLSFCN的 KPI異常檢測
        5.3.1 數(shù)據(jù)預(yù)處理及實驗環(huán)境
        5.3.2 實驗結(jié)果與性能分析
第六章 總結(jié)與展望
    6.1 本文研究總結(jié)
    6.2 未來研究展望
參考文獻
攻讀碩士學(xué)位期間的論文發(fā)表和項目參與情況
攻讀碩士學(xué)位期間獲獎情況
致謝



本文編號：3865601