隨著信息技術(shù)的發(fā)展,時(shí)間序列數(shù)據(jù)正以驚人的速度產(chǎn)生于各個(gè)領(lǐng)域,尤其在航空航天方面,飛行器在運(yùn)行期間會(huì)產(chǎn)生大量的遙測(cè)數(shù)據(jù),并以時(shí)間序列的形式存在,這些數(shù)據(jù)能夠直接展示各部件的工作狀態(tài)和運(yùn)行情況,是處理故障的重要依據(jù)。本文以飛行器某設(shè)備的轉(zhuǎn)速和溫度時(shí)間序列數(shù)據(jù)為研究對(duì)象,利用深度學(xué)習(xí)的理論和技術(shù),深入研究基于數(shù)據(jù)驅(qū)動(dòng)的時(shí)間序列數(shù)據(jù)異常檢測(cè)和預(yù)測(cè)方法。主要工作如下:考慮到工程實(shí)測(cè)數(shù)據(jù)呈典型的不平衡形式分布,我們研究了類間分布不平衡的時(shí)間序列數(shù)據(jù)的異常檢測(cè)問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network,CNN）的異常檢測(cè)方法。在提出的方法中,首先采用抽樣法對(duì)不平衡時(shí)間序列數(shù)據(jù)進(jìn)行處理,使得樣本不充足的數(shù)據(jù)集可以有足夠多的代表性樣本,從而彌補(bǔ)現(xiàn)存的檢測(cè)技術(shù)由于忽略數(shù)據(jù)分布的偏斜性而造成的少數(shù)類檢測(cè)精度低的缺點(diǎn);其次,為了提高卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)性能,利用尺度變換和時(shí)間切片技術(shù)對(duì)原始時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理;然后研究了不同隱藏層的卷積神經(jīng)網(wǎng)絡(luò)對(duì)于時(shí)間序列數(shù)據(jù)檢測(cè)性能的影響,確定了四層隱藏層的卷積神經(jīng)網(wǎng)絡(luò)模型;最后,利用飛行器某設(shè)備的轉(zhuǎn)速和溫度時(shí)間序列數(shù)據(jù)進(jìn)行仿真... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 時(shí)間序列數(shù)據(jù)分類方法
        1.2.2 時(shí)間序列數(shù)據(jù)預(yù)測(cè)方法
        1.2.3 存在問題及挑戰(zhàn)
    1.3 本文主要研究?jī)?nèi)容及組織結(jié)構(gòu)
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 論文組織結(jié)構(gòu)
2 深度學(xué)習(xí)基礎(chǔ)知識(shí)概述
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
3 基于卷積神經(jīng)網(wǎng)絡(luò)的時(shí)間序列數(shù)據(jù)異常檢測(cè)方法
    3.1 數(shù)據(jù)描述與分析
    3.2 基于采樣法的不平衡時(shí)間序列數(shù)據(jù)處理算法
    3.3 基于CNN的時(shí)間序列數(shù)據(jù)異常檢測(cè)算法
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 時(shí)間序列數(shù)據(jù)異常檢測(cè)模型
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 隱藏層層數(shù)設(shè)置
        3.4.3 性能評(píng)估
    3.5 故障診斷模型設(shè)計(jì)
    3.6 本章小結(jié)
4 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的時(shí)間序列數(shù)據(jù)預(yù)測(cè)方法
    4.1 變體LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.2 時(shí)間序列數(shù)據(jù)預(yù)測(cè)算法
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 性能評(píng)估
    4.4 故障預(yù)測(cè)模型設(shè)計(jì)
    4.5 本章小結(jié)
5 總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間的主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)基礎(chǔ)[J]. 袁冰清,陸悅斌,張杰.  數(shù)字通信世界. 2018(05)
[2]長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)在衛(wèi)星軌道預(yù)報(bào)中的研究[J]. 朱俊鵬,趙洪利,杜鑫,蔣勇.  兵器裝備工程學(xué)報(bào). 2017(10)
[3]基于簇中心群的時(shí)間序列數(shù)據(jù)分類方法[J]. 李海林,萬�；�.  電子科技大學(xué)學(xué)報(bào). 2017(03)
[4]基于時(shí)間序列的航天器遙測(cè)數(shù)據(jù)預(yù)測(cè)算法[J]. 閆謙時(shí),崔廣立.  計(jì)算機(jī)測(cè)量與控制. 2017(05)
[5]基于GA-SVM的基坑施工地面沉降時(shí)間序列預(yù)測(cè)研究[J]. 石祥鋒,王麗芬,沈陽,劉俊娥,郭章林.  施工技術(shù). 2017(08)
[6]Convolutional neural networks for time series classification[J]. Bendong Zhao,Huanzhang Lu,Shangfeng Chen,Junliang Liu,Dongya Wu.  Journal of Systems Engineering and Electronics. 2017(01)
[7]基于多樣化top-k shapelets轉(zhuǎn)換的時(shí)間序列分類方法[J]. 孫其法,閆秋艷,閆欣鳴.  計(jì)算機(jī)應(yīng)用. 2017(02)
[8]基于馬氏距離的分段矢量量化時(shí)間序列分類[J]. 陶志偉,張莉.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2016(03)
[9]馬爾科夫模型改進(jìn)的時(shí)間序列預(yù)測(cè)算法研究[J]. 戴曾,廖聞劍,彭艷兵.  計(jì)算機(jī)與現(xiàn)代化. 2014(11)
[10]航天器在軌故障特征數(shù)據(jù)生成方法[J]. 趙軍,胡紹林,劉兵,劉芳.  飛行器測(cè)控學(xué)報(bào). 2012(02)

碩士論文
[1]奇異值分解在時(shí)間序列分析中的應(yīng)用[D]. 李慧.北京交通大學(xué) 2009



本文編號(hào)：3462182