【摘要】：隨著計(jì)算機(jī)的性能不斷提高,深度學(xué)習(xí)也得到了長(zhǎng)足的發(fā)展,其在計(jì)算機(jī)視覺、機(jī)器翻譯、語音識(shí)別等領(lǐng)域取得了很大的進(jìn)步。而物聯(lián)網(wǎng)和智慧城市的部署正在產(chǎn)生大量的時(shí)間序列數(shù)據(jù)。因此將深度學(xué)習(xí)應(yīng)用到這些領(lǐng)域已經(jīng)變成一個(gè)重要的研究課題。物聯(lián)網(wǎng)時(shí)序數(shù)據(jù)的有效分析可以產(chǎn)生非常有價(jià)值的信息,將對(duì)其終端的物聯(lián)網(wǎng)應(yīng)用提供很好的決策基礎(chǔ)。本文首先詳細(xì)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(shí)序數(shù)據(jù)的特征。并針對(duì)這些特征進(jìn)行了詳細(xì)地?cái)?shù)據(jù)預(yù)處理,這為接下來構(gòu)建模型搭建了基礎(chǔ)。由于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法、機(jī)器學(xué)習(xí)方法、前饋神經(jīng)網(wǎng)絡(luò)方法、循環(huán)神經(jīng)網(wǎng)絡(luò)方法都存在著一定的局限,即預(yù)測(cè)精度不高、無法抓住時(shí)間依賴性特征、只適應(yīng)于短期預(yù)測(cè)、容易發(fā)生梯度消失或梯度爆炸。通過對(duì)前饋神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)這些深度學(xué)習(xí)方法進(jìn)行深入研究探討,本文提出了基于LSTM神經(jīng)網(wǎng)絡(luò)與多特征融合的物聯(lián)網(wǎng)時(shí)序數(shù)據(jù)預(yù)測(cè)模型。該模型是在LSTM網(wǎng)絡(luò)的基礎(chǔ)之上加入了多特征融合層,很好的填補(bǔ)了 LSTM本身無法抽取多特征的缺點(diǎn)。這使得其不僅能很好完成了對(duì)物聯(lián)網(wǎng)數(shù)據(jù)中時(shí)序關(guān)系的提煉,又完成了其他外界因素特征對(duì)未來數(shù)據(jù)的影響的抽取。實(shí)驗(yàn)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(shí)序數(shù)據(jù)預(yù)測(cè)模型,能夠很好的對(duì)長(zhǎng)期、短期、甚至弱時(shí)間依賴性的物聯(lián)網(wǎng)時(shí)序數(shù)據(jù)的進(jìn)行預(yù)測(cè)。接著針對(duì)當(dāng)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(shí)序數(shù)據(jù)預(yù)測(cè)模型,使用正常的數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練,然后使其產(chǎn)生預(yù)測(cè)殘差,并發(fā)揮預(yù)測(cè)殘差的優(yōu)勢(shì),進(jìn)一步利用其構(gòu)建高斯樸素貝葉斯模型,實(shí)現(xiàn)對(duì)物聯(lián)網(wǎng)時(shí)間序列數(shù)據(jù)的異常檢測(cè)。這并不是簡(jiǎn)單的模型融合,其很好得利用了改進(jìn)后的LSTM時(shí)序預(yù)測(cè)模型的產(chǎn)生預(yù)測(cè)殘差,該殘差天生帶有時(shí)序關(guān)系,從而使得異常發(fā)生的前后事件關(guān)系始終保持著強(qiáng)的連接,再進(jìn)一步發(fā)揮高斯樸素貝葉斯模型的優(yōu)良分類能力實(shí)現(xiàn)異常檢測(cè)。實(shí)驗(yàn)結(jié)果同時(shí)也表明本文提出的異常檢測(cè)模型在各項(xiàng)指標(biāo)均優(yōu)于對(duì)比實(shí)驗(yàn)中的其他模型。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;TP391.44;TN929.5
【圖文】：

且可以在數(shù)字域中輕松跟蹤。為對(duì)象分配唯一標(biāo)識(shí)的技術(shù)稱為通用唯一標(biāo)識(shí)符逡逑（ＵＵＩＤ）。逡逑（２）網(wǎng)絡(luò)層：網(wǎng)絡(luò)層是通過無線或有線連接支持的基礎(chǔ)設(shè)施。物聯(lián)網(wǎng)中的網(wǎng)逡逑絡(luò)層連接所有的事物，讓他們知道周圍的環(huán)境。通過網(wǎng)絡(luò)層，事物可以與連接的逡逑事物共享數(shù)據(jù)，這對(duì)于物聯(lián)網(wǎng)中的智能事件管理和處理至關(guān)重要。此外，網(wǎng)絡(luò)層逡逑能夠聚集來自現(xiàn)有ＩＴ基礎(chǔ)設(shè)施的數(shù)據(jù)；然后可以將數(shù)據(jù)傳輸?shù)礁邔訌?fù)雜服務(wù)的逡逑決策單元。其中移動(dòng)智能終端通過蜂窩網(wǎng)絡(luò)、ＷＩＦＩ接入網(wǎng)絡(luò)，而傳感器通過ＺｉｇＢｅｅ逡逑局域網(wǎng)，藍(lán)牙設(shè)備依據(jù)藍(lán)牙通信協(xié)議，電子標(biāo)簽通過ＲＦＩＤ技術(shù)。逡逑（３）服務(wù)層：服務(wù)層是創(chuàng)建和管理用戶或應(yīng)用程序所需的服務(wù)。服務(wù)層依賴逡逑于中間件技術(shù)，該技術(shù)是物聯(lián)網(wǎng)中服務(wù)和應(yīng)用的關(guān)鍵推動(dòng)者。中間件技術(shù)提供了逡逑一個(gè)經(jīng)濟(jì)高效的平臺(tái)，硬件和軟件平臺(tái)可以重復(fù)使用。實(shí)際的服務(wù)層由應(yīng)用程序，逡逑應(yīng)用程序編程接口（ＡＰＩ）以及支持所需應(yīng)用程序和服務(wù)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(yīng)用程序的交互方法組成。在物聯(lián)網(wǎng)中，涉逡逑及大量設(shè)備；這些設(shè)備可以由不同的供應(yīng)商提供，因此接口層并不總是遵守相同逡逑的標(biāo)準(zhǔn)。常用的接口應(yīng)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(wù)的架構(gòu)（ＳｏＡ）對(duì)服務(wù)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(shè)備之間的互操作性。圖２．１提供了一個(gè)通用的逡逑ＳｏＡ，它由四個(gè)具有不同功能的層組成，如下所示：逡逑（１）

所以范圍設(shè)置在０度以上），便可篩選掉一些負(fù)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(gè)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(dāng)ＩＱＲ是四分位間距（Ｑ３－Ｑ１）時(shí)，箱形圖的上部將延伸到小于Ｑ３＋ｗ＊Ｉ后一個(gè)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(gè)點(diǎn)。有時(shí)會(huì)將ｗ設(shè)置為不合，迫使箱形圖上下邊緣顯示最大值和最小值�；蛘撸瑢⒏鶕�(jù)百分位數(shù)的（例如［５，９５］）來設(shè)置這個(gè)值，以將箱形圖的上下邊緣設(shè)置在數(shù)據(jù)的特定數(shù)處。另外將根據(jù)實(shí)際情況進(jìn)行調(diào)節(jié)ｗ值，一般的默認(rèn)值為１．５。如圖２．３這是一個(gè)土壤濕度數(shù)據(jù)集的箱形圖，其ｗ值為默認(rèn)值１．５�？梢园l(fā)現(xiàn)這的數(shù)值分布是不均勻的，一部分?jǐn)?shù)值是集中在一個(gè)小范圍內(nèi)，一部分?jǐn)?shù)在一個(gè)大范圍內(nèi)，在類似于長(zhǎng)尾分布，另外可以發(fā)現(xiàn)在超過上邊緣時(shí)，能是噪聲值。逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 黃建國(guó);羅航;王厚軍;龍兵;;運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)研究時(shí)間序列的預(yù)測(cè)[J];電子科技大學(xué)學(xué)報(bào);2009年05期

2 潘迪夫;劉輝;李燕飛;;基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型[J];電網(wǎng)技術(shù);2008年07期

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

4 劉峰;瞿俊;;基于聚類分析和神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法[J];微電子學(xué)與計(jì)算機(jī);2006年09期

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

本文編號(hào)：2772317