構建了一種通過DBN實現(xiàn)的1/4超球面支持向量機（Quarter-Sphere support vector machines, QSSVM）測試模型,設計了一種可以實現(xiàn)在線測試功能的異常檢測算法。當窗口擴大后,QSSVM發(fā)生了準確度不斷提高的變化趨勢,能夠提高半徑的測試精度。當窗口增大后算法持續(xù)時間增加,QSSVM相對于OCSVM（One-Class support vector machines, OCSVM）可以降低近一半的計算時間。隨著窗口擴大至臨界值后,將會引起準確度的減小,設置QSSVM算法滑動窗口為100。當樣本包含更高的維度異常比例時,所有算法都出現(xiàn)了檢測率增大的變化現(xiàn)象。當樣本維度升高后,QSSVM依然具備優(yōu)異檢測性能,而K-means發(fā)生了檢測性能的下降。通過測試發(fā)現(xiàn),采用新算法能夠滿足大規(guī)模高維傳感器的數(shù)據(jù)處理需求,從而減小時間復雜度并能夠更加準確測定異常數(shù)據(jù)。 

【文章來源】：微型電腦應用. 2020,36(10)

【文章頁數(shù)】：3 頁

【文章目錄】：
0 引言
1 算法
    1.1 1/4超球面支持向量機(QSSVM)
    1.2 深度信念網(wǎng)絡(Deep Belief Network, DBN)模型
    1.3 基于深度信念網(wǎng)絡的傳感器數(shù)據(jù)異常檢測算法
2 實驗
    2.1 數(shù)據(jù)集與實驗設置
    2.2 算法效率及窗口大小影響
    2.3 檢測率(DR)
3 總結


【參考文獻】：
期刊論文
[1]中國區(qū)域電離層異常數(shù)據(jù)野值檢測[J]. 劉禹彤,李銳,包俊杰,劉亞希.  北京航空航天大學學報. 2020(01)
[2]云計算光纖網(wǎng)絡中大數(shù)據(jù)異常負載檢測模型[J]. 武海龍,武海艷.  激光雜志. 2019(06)
[3]云組合服務網(wǎng)絡的異常植入數(shù)據(jù)檢測算法[J]. 陳永聰.  信息技術. 2019(06)
[4]基于熵權聚類網(wǎng)絡異常行為的檢測方法研究[J]. 趙寶慶,王赫男.  信息技術. 2019(06)
[5]大數(shù)據(jù)環(huán)境下的網(wǎng)絡流量異常檢測研究[J]. 農(nóng)婷.  科技風. 2019(17)
[6]一種基于分層聚合的分布式異常數(shù)據(jù)檢測方案[J]. 許春杰,吳蒙,楊立君.  計算機工程. 2020(04)
[7]基于SVDD的ADS-B異常數(shù)據(jù)檢測[J]. 王振昊,王布宏.  河北大學學報(自然科學版). 2019(03)
[8]大數(shù)據(jù)網(wǎng)絡下船舶軌跡異常故障檢測技術優(yōu)化[J]. 劉志方.  艦船科學技術. 2019(10)
[9]瓦斯?jié)舛攘鲾?shù)據(jù)實時異常檢測方法[J]. 吳海波,施式亮,念其鋒.  計算機與數(shù)字工程. 2019(05)
[10]基于深度信念網(wǎng)絡和線性單分類SVM的高維異常檢測[J]. 李昊奇,應娜,郭春生,王金華.  電信科學. 2018(01)



本文編號：3199869