發(fā)布時間：2020-07-27 20:12

【摘要】：隨著計算機的性能不斷提高,深度學習也得到了長足的發(fā)展,其在計算機視覺、機器翻譯、語音識別等領域取得了很大的進步。而物聯(lián)網(wǎng)和智慧城市的部署正在產(chǎn)生大量的時間序列數(shù)據(jù)。因此將深度學習應用到這些領域已經(jīng)變成一個重要的研究課題。物聯(lián)網(wǎng)時序數(shù)據(jù)的有效分析可以產(chǎn)生非常有價值的信息,將對其終端的物聯(lián)網(wǎng)應用提供很好的決策基礎。本文首先詳細研究了物聯(lián)網(wǎng)的基本架構(gòu)以及在此架構(gòu)上產(chǎn)生的時序數(shù)據(jù)的特征。并針對這些特征進行了詳細地數(shù)據(jù)預處理,這為接下來構(gòu)建模型搭建了基礎。由于傳統(tǒng)的統(tǒng)計學方法、機器學習方法、前饋神經(jīng)網(wǎng)絡方法、循環(huán)神經(jīng)網(wǎng)絡方法都存在著一定的局限,即預測精度不高、無法抓住時間依賴性特征、只適應于短期預測、容易發(fā)生梯度消失或梯度爆炸。通過對前饋神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、LSTM神經(jīng)網(wǎng)絡這些深度學習方法進行深入研究探討,本文提出了基于LSTM神經(jīng)網(wǎng)絡與多特征融合的物聯(lián)網(wǎng)時序數(shù)據(jù)預測模型。該模型是在LSTM網(wǎng)絡的基礎之上加入了多特征融合層,很好的填補了 LSTM本身無法抽取多特征的缺點。這使得其不僅能很好完成了對物聯(lián)網(wǎng)數(shù)據(jù)中時序關系的提煉,又完成了其他外界因素特征對未來數(shù)據(jù)的影響的抽取。實驗結(jié)果也表明本文提出的LSTM與多特征融合的物聯(lián)網(wǎng)時序數(shù)據(jù)預測模型,能夠很好的對長期、短期、甚至弱時間依賴性的物聯(lián)網(wǎng)時序數(shù)據(jù)的進行預測。接著針對當前物聯(lián)網(wǎng)數(shù)據(jù)中可能存在的數(shù)據(jù)異常問題,本文結(jié)合之前提出的物聯(lián)網(wǎng)時序數(shù)據(jù)預測模型,使用正常的數(shù)據(jù)集對其進行訓練,然后使其產(chǎn)生預測殘差,并發(fā)揮預測殘差的優(yōu)勢,進一步利用其構(gòu)建高斯樸素貝葉斯模型,實現(xiàn)對物聯(lián)網(wǎng)時間序列數(shù)據(jù)的異常檢測。這并不是簡單的模型融合,其很好得利用了改進后的LSTM時序預測模型的產(chǎn)生預測殘差,該殘差天生帶有時序關系,從而使得異常發(fā)生的前后事件關系始終保持著強的連接,再進一步發(fā)揮高斯樸素貝葉斯模型的優(yōu)良分類能力實現(xiàn)異常檢測。實驗結(jié)果同時也表明本文提出的異常檢測模型在各項指標均優(yōu)于對比實驗中的其他模型。
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP18;TP391.44;TN929.5
【圖文】：

且可以在數(shù)字域中輕松跟蹤。為對象分配唯一標識的技術稱為通用唯一標識符逡逑（ＵＵＩＤ）。逡逑（２）網(wǎng)絡層：網(wǎng)絡層是通過無線或有線連接支持的基礎設施。物聯(lián)網(wǎng)中的網(wǎng)逡逑絡層連接所有的事物，讓他們知道周圍的環(huán)境。通過網(wǎng)絡層，事物可以與連接的逡逑事物共享數(shù)據(jù)，這對于物聯(lián)網(wǎng)中的智能事件管理和處理至關重要。此外，網(wǎng)絡層逡逑能夠聚集來自現(xiàn)有ＩＴ基礎設施的數(shù)據(jù)；然后可以將數(shù)據(jù)傳輸?shù)礁邔訌碗s服務的逡逑決策單元。其中移動智能終端通過蜂窩網(wǎng)絡、ＷＩＦＩ接入網(wǎng)絡，而傳感器通過ＺｉｇＢｅｅ逡逑局域網(wǎng)，藍牙設備依據(jù)藍牙通信協(xié)議，電子標簽通過ＲＦＩＤ技術。逡逑（３）服務層：服務層是創(chuàng)建和管理用戶或應用程序所需的服務。服務層依賴逡逑于中間件技術，該技術是物聯(lián)網(wǎng)中服務和應用的關鍵推動者。中間件技術提供了逡逑一個經(jīng)濟高效的平臺，硬件和軟件平臺可以重復使用。實際的服務層由應用程序，逡逑應用程序編程接口（ＡＰＩ）以及支持所需應用程序和服務的協(xié)議的最低通用要求組逡逑成。逡逑（４）接口層：接口層由與用戶或應用程序的交互方法組成。在物聯(lián)網(wǎng)中，涉逡逑及大量設備；這些設備可以由不同的供應商提供，因此接口層并不總是遵守相同逡逑的標準。常用的接口應用如智能電網(wǎng)、智慧醫(yī)療、智能交通。逡逑

逑在物聯(lián)網(wǎng)中，面向服務的架構(gòu)（ＳｏＡ）對服務提供商和用戶來說可能是必要逡逑的［４９］。ＳｏＡ以多種方式確保異構(gòu)設備之間的互操作性。圖２．１提供了一個通用的逡逑ＳｏＡ，它由四個具有不同功能的層組成，如下所示：逡逑（１）

所以范圍設置在０度以上），便可篩選掉一些負數(shù)的溫度值的和異常高。逡逑（２）上下四分位數(shù)法。根據(jù)數(shù)據(jù)集本身的分布，構(gòu)建繪制箱型圖。這個數(shù)據(jù)的低位四分位數(shù)到高位四分位數(shù)值延伸，中間位置有一條線。決定第一和第三四分位數(shù)以外的范圍。換句話說，先求出上下四分位數(shù)（Ｑ３當ＩＱＲ是四分位間距（Ｑ３－Ｑ１）時，箱形圖的上部將延伸到小于Ｑ３＋ｗ＊Ｉ后一個數(shù)據(jù)。類似地，箱形圖的下部將延伸到大于Ｑｌ－ｗ＊ＩＱＲ。除了這外，數(shù)據(jù)將被視為離群值，并被繪制為單個點。有時會將ｗ設置為不合，迫使箱形圖上下邊緣顯示最大值和最小值�；蛘�，將根據(jù)百分位數(shù)的（例如［５，９５］）來設置這個值，以將箱形圖的上下邊緣設置在數(shù)據(jù)的特定數(shù)處。另外將根據(jù)實際情況進行調(diào)節(jié)ｗ值，一般的默認值為１．５。如圖２．３這是一個土壤濕度數(shù)據(jù)集的箱形圖，其ｗ值為默認值１．５�？梢园l(fā)現(xiàn)這的數(shù)值分布是不均勻的，一部分數(shù)值是集中在一個小范圍內(nèi)，一部分數(shù)在一個大范圍內(nèi)，在類似于長尾分布，另外可以發(fā)現(xiàn)在超過上邊緣時，能是噪聲值。逡逑

【參考文獻】

相關期刊論文 前5條

1 黃建國;羅航;王厚軍;龍兵;;運用GA-BP神經(jīng)網(wǎng)絡研究時間序列的預測[J];電子科技大學學報;2009年05期

2 潘迪夫;劉輝;李燕飛;;基于時間序列分析和卡爾曼濾波算法的風電場風速預測優(yōu)化模型[J];電網(wǎng)技術;2008年07期

3 佟偉民;李一軍;單永正;;基于小波分析的時間序列數(shù)據(jù)挖掘[J];計算機工程;2008年01期

4 劉峰;瞿俊;;基于聚類分析和神經(jīng)網(wǎng)絡的時間序列預測方法[J];微電子學與計算機;2006年09期

5 王曉曄,王正歐;正則化訓練的神經(jīng)網(wǎng)絡與粗集理論相結(jié)合的股票時間序列數(shù)據(jù)挖掘技術[J];電子與信息學報;2004年04期

本文編號：2772317