為解決傳統(tǒng)監(jiān)督學(xué)習(xí)方法在不均衡數(shù)據(jù)集異常檢測上易出現(xiàn)過擬合的問題,提出一種非監(jiān)督對抗學(xué)習(xí)方法用于硬盤故障預(yù)測。該方法使用長短期記憶神經(jīng)網(wǎng)絡(luò)和全連接層設(shè)計了一種可進行二次編碼的自編碼器,只需使用正常樣本進行訓(xùn)練,通過減小樣本重構(gòu)誤差和潛在向量之間的距離,使模型學(xué)習(xí)正常樣本的數(shù)據(jù)分布,從而提高了模型的泛化能力。模型中還引入生成式對抗網(wǎng)絡(luò)增強非監(jiān)督學(xué)習(xí)的效果。在多個數(shù)據(jù)集上的對比實驗顯示,該方法對異常樣本的召回率和精確度都高于傳統(tǒng)的監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)分類器,泛化能力更強。所以,該非監(jiān)督對抗學(xué)習(xí)方法在硬盤故障預(yù)測上是有效的。 

【文章來源】：西安電子科技大學(xué)學(xué)報. 2020年02期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

模型的網(wǎng)絡(luò)結(jié)構(gòu)

圖1 模型的網(wǎng)絡(luò)結(jié)構(gòu)樣本X通過生成器得到樣本的重構(gòu)，并在第1次編碼時生成潛在向量z,z=fEnc1(X），且z∈Rm,m是z的維度；經(jīng)由編碼器2的二次編碼生成潛在向量的重構(gòu)。訓(xùn)練時不斷減小兩個重構(gòu)誤差，學(xué)習(xí)樣本在樣本空間X和潛在向量空間z上的分布。由于樣本層的重構(gòu)誤差容易受到噪聲干擾，影響檢測效果，所以在檢測階段不再使用樣本層的重構(gòu)誤差作為異常檢測依據(jù)，而是使用更深層的潛在向量的重構(gòu)誤差作為異常檢測的依據(jù)，這樣可以大大提高模型的抗干擾能力。生成式對抗網(wǎng)絡(luò)為模型加入對抗學(xué)習(xí)，通過交替訓(xùn)練可以得到更好的生成器。

對于3種深度學(xué)習(xí)方法GANomaly、LSTM-CNN和LSTM-FC，實驗中保留了在驗證階段的感受性曲線和異常分?jǐn)?shù)的分布圖（為使圖形更加直觀，進行了取對數(shù)處理），分別如圖3和圖4所示。圖4 各模型在NM007數(shù)據(jù)集上異常分?jǐn)?shù)的分布圖


本文編號：2923417