復(fù)雜結(jié)構(gòu)動態(tài)系統(tǒng)在長時間運行過程中將會產(chǎn)生一系列測量數(shù)據(jù),這些隨時間變化的測量數(shù)據(jù)稱為時間序列。然而,在系統(tǒng)實際運行過程中,由于外界干擾或自身故障等因素,系統(tǒng)的運行狀態(tài)可能會發(fā)生異常變化,從而影響系統(tǒng)運行的穩(wěn)定性和安全可靠性。為了能及時發(fā)現(xiàn)系統(tǒng)狀態(tài)的異常變化并做出有效預(yù)防措施,因此,研究時間序列異常檢測是一項具有實際意義的工作。論文總結(jié)時間序列的三種常見異常情況,分別為點異常、模式異常以及序列異常。本文主要研究時間序列的模式異常檢測,包括一維以及多維時間序列模式異常檢測。在一維模式異常檢測中,從時間序列相似性度量以及分類的角度入手進行基于形態(tài)變化的模式表示方法的改進。在一維時序數(shù)據(jù)模式異常檢測中,改進了 DTW算法利用相似性系數(shù)體現(xiàn)模式異常情況以及基于模式特征的k-近鄰的異常檢測算法,采用異常因子來度量模式異常情況。在多維時間序列模式異常檢測中,建立了基于Q濾波的檢測算法和基于LSTM神經(jīng)網(wǎng)絡(luò)的檢測算法,分別從濾波及預(yù)測角度入手進行異常檢測。自主研制一套動態(tài)系統(tǒng)測量時序數(shù)據(jù)異常檢測系統(tǒng),在該系統(tǒng)中采用實際飛行器動量輪轉(zhuǎn)速數(shù)據(jù)進行算法驗證,結(jié)果表明該算法在異常檢測中具有良好的可行性和適用性,并能提高異常檢測精度。本文的主要創(chuàng)新點包括采用組合剔野方法進行時序數(shù)據(jù)預(yù)處理、改進模式表示方法實現(xiàn)時序數(shù)據(jù)的形態(tài)表示、建立MW-DTW算法與模式特征的k-近鄰算法實現(xiàn)一維時序數(shù)據(jù)的異常檢測、優(yōu)化Q濾波檢測算法和LSTM神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)多維時序數(shù)據(jù)的異常檢測。動態(tài)系統(tǒng)測量時序數(shù)據(jù)的異常變化檢測是具有故障應(yīng)用的實時監(jiān)控系統(tǒng)的核心部分,例如設(shè)備監(jiān)測,欺詐檢測,網(wǎng)絡(luò)入侵檢測等領(lǐng)域。該研究為動態(tài)系統(tǒng)測量時序數(shù)據(jù)的異常變化檢測工作提供實用方法和技術(shù)工具。本文工作受國家自然科學(xué)基金面上項目(編號:61473222,91646108)的資助。
【學(xué)位單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：O211.61
【部分圖文】：

圖 1-1 點異常情況Fig.1-1. Case of point abnormality）序列異常：多條時間序列中存在與其他時間序列具有明顯差制得到的時間序列。圖 1-2 表示序列異常情況，多條正弦序列余弦序列，該條序列則顯示為序列異常。圖 1-2 序列異常情況Fig.1-2.Case of sequence anomaly）模式異常：在一條時間序列中包含與其他模式存在明顯差別

圖 1-2 序列異常情況Fig.1-2.Case of sequence anomaly3）模式異常：在一條時間序列中包含與其他模式存在明顯差別，具有異常變化模式。圖 1-3 表示模式異常情況，圖中能夠看出紅色色模式存在顯著差異，能夠認為是模式異常情況。圖 1-3 模式異常情況Fig.1-3.Case of Pattern anomaly

制得到的時間序列。圖 1-2 表示序列異常情況，多條正弦序列中余弦序列，該條序列則顯示為序列異常。圖 1-2 序列異常情況Fig.1-2.Case of sequence anomaly）模式異常：在一條時間序列中包含與其他模式存在明顯差別，有異常變化模式。圖 1-3 表示模式異常情況，圖中能夠看出紅色模式存在顯著差異，能夠認為是模式異常情況。
【參考文獻】

相關(guān)期刊論文 前10條

1 候亞偉;馮輝宇;韓孝強;譚娟;劉祥;;基于Logistic回歸模型的民用無人機市場預(yù)測研究[J];中國科技信息;2017年23期

2 章媛;岳東杰;;基于小波分析和支持向量機的變形監(jiān)測數(shù)據(jù)處理[J];勘察科學(xué)技術(shù);2017年04期

3 孫焱;林意;;基于相似性分析的時間序列異常檢測方法[J];山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版);2017年02期

4 楊祎玥;伏潛;萬定生;;基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型[J];計算機技術(shù)與發(fā)展;2017年03期

5 杜瑩;李四虎;胡紹林;章樂;王飛;;遙測偽周期時間序列子序列異常檢測算法[J];中國空間科學(xué)技術(shù);2016年05期

6 林意;王智博;;基于一階濾波的時間序列分段線性表示方法[J];計算機工程;2016年09期

7 戴建利;龍辛;黃波;申超;;嵌入式PLC系統(tǒng)自動測試中數(shù)字濾波算法研究[J];機械工程與自動化;2016年01期

8 胡紹林;傅娜;郭文明;;動態(tài)測量數(shù)據(jù)的高保真容錯Q-濾波算法[J];宇航學(xué)報;2016年01期

9 李紅延;周云龍;田峰;李松;孫天寶;;一種新的小波自適應(yīng)閾值函數(shù)振動信號去噪算法[J];儀器儀表學(xué)報;2015年10期

10 單銳;孟密元;劉文;;基于新閾值函數(shù)的小波去噪算法及其仿真[J];內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版);2015年03期

相關(guān)博士學(xué)位論文 前2條

1 董曉莉;時間序列數(shù)據(jù)挖掘相似性度量和周期模式挖掘研究[D];天津大學(xué);2007年

2 肖輝;時間序列的相似性查詢與異常檢測[D];復(fù)旦大學(xué);2005年

相關(guān)碩士學(xué)位論文 前5條

1 趙建秀;時間序列的相似性分析問題研究[D];山東師范大學(xué);2014年

2 董紅玉;多變量時間序列的降維、模式匹配與異常檢測[D];福州大學(xué);2014年

3 杜洪波;時間序列相似性查詢及異常檢測算法的研究[D];沈陽工業(yè)大學(xué);2008年

4 韋力強;基于小波變換的信號去噪研究[D];湖南大學(xué);2007年

5 吳婷;數(shù)據(jù)挖掘在信用卡欺詐識別上的應(yīng)用研究[D];東南大學(xué);2006年

本文編號：2845329