發(fā)布時(shí)間：2021-10-17 12:33

　　異常檢測(cè)（Anomaly Detection）是數(shù)據(jù)挖掘中的重要部分。大數(shù)據(jù)背景下,數(shù)據(jù)的維度成“爆炸式”增長(zhǎng),這對(duì)高維數(shù)據(jù)異常檢測(cè)的需求量也急劇增加。深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks,DNN）優(yōu)秀的非線性降維特性可以進(jìn)行數(shù)據(jù)降維,解決“維數(shù)災(zāi)難”問題。單分類支持向量機(jī)（One-Class Support Vector Machine,OCSVM）是目前解決異常數(shù)據(jù)檢測(cè)問題的重要手段。高維數(shù)據(jù)下的異常檢測(cè)已成為科學(xué)前沿研究的重點(diǎn)和熱點(diǎn)話題。本文首先提出了高維背景下的異常檢測(cè)問題,接著分析了目前解決高維異常檢測(cè)的兩種有效途徑,即利用神經(jīng)網(wǎng)絡(luò)降維和支持向量機(jī)分類。然后對(duì)以上兩種傳統(tǒng)方法做出了改進(jìn)并與原方法在實(shí)驗(yàn)上進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明,本文提出的改進(jìn)算法在降低維度的同時(shí)提高了異常檢測(cè)的正確率并且降低了算法的計(jì)算復(fù)雜度。本文的改進(jìn)算法有以下兩種:1.針對(duì)目前高維數(shù)據(jù)異常檢測(cè)存在的困難,本文提出用降噪自動(dòng)編碼器（Denosing Auto-Encoder,DAE）代替普通的棧式自動(dòng)編碼器（Stacked Auto-Encoder,SAE）進(jìn)行高維數(shù)據(jù)的異常檢測(cè)。DAE首... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元模型

-5 -4 -3 -2 -1 0 1 2 3 4 5012345softplus functionrectifier functon圖 2.3 新型激活函數(shù) softplus（左側(cè)）和 rectifer（右側(cè)） 神經(jīng)網(wǎng)絡(luò)模型經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、輸出層組成，每一層內(nèi)有多個(gè)相互獨(dú)立的神經(jīng)元，藏層和輸出層間是全鏈接，這樣便組成了一個(gè)神經(jīng)網(wǎng)絡(luò)，如圖 2.4 所示。

2 1 12 23 2 2 23 3w ,bz w x ba f zz w a bh x a f z 網(wǎng)絡(luò)的隱藏層層數(shù)大于 2 時(shí)，將此時(shí)的網(wǎng)絡(luò)稱。深度神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于它能夠逐層地學(xué)習(xí)原為基礎(chǔ)，但往往更抽象，更加適合復(fù)雜的分類Encoder）是神經(jīng)網(wǎng)絡(luò)的一種，經(jīng)過訓(xùn)練后能嘗試動(dòng)編碼器可以理解為兩部分，編碼（Encoding）部只有一個(gè)隱藏層 h，由輸入層 x 到隱藏層 h 過程稱為解碼。其拓?fù)浣Y(jié)構(gòu)如圖 2.5 所示。

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)時(shí)代的數(shù)據(jù)挖掘——從應(yīng)用的角度看大數(shù)據(jù)挖掘[J]. 李濤,曾春秋,周武柏,周綺鳳,鄭理.  大數(shù)據(jù). 2015(04)
[2]基于隸屬函數(shù)的汽車行駛異響分析研究[J]. 向志淵.  價(jià)值工程. 2013(16)
[3]變異特征加權(quán)的異常語音說話人識(shí)別算法[J]. 何俊,李艷雄,賀前華,李威.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(03)

碩士論文
[1]基于人口普查數(shù)據(jù)質(zhì)量的異常數(shù)據(jù)分析[D]. 朱紅霞.成都理工大學(xué) 2016



本文編號(hào)：3441776