時間序列是一類重要的結(jié)構(gòu)化數(shù)據(jù)形式,在很多領(lǐng)域都有著重要應用。在航空航天領(lǐng)域,航天器在運行期間產(chǎn)生大量的遙測數(shù)據(jù),這些數(shù)據(jù)以時間序列的形式呈現(xiàn),能夠直觀反映各部件的工作狀態(tài)和運行模式。通過采用時間序列數(shù)據(jù)挖掘和分析技術(shù)對遙測時間序列數(shù)據(jù)進行檢測和預測,有助于實時掌握航天器的健康狀況并進行健康管理,是保障航天器正常運行和提高效能的有效手段。本文基于深度神經(jīng)網(wǎng)絡(luò)的特點,以實際工程中某設(shè)備的時間序列數(shù)據(jù)為研究對象,深入研究時間序列數(shù)據(jù)異常檢測和多步提前預測方法。主要工作如下:在實際工程中,時間序列數(shù)據(jù)多以類間不平衡的形式存在,即少數(shù)類樣本數(shù)量遠遠少于多數(shù)類樣本數(shù)量,學習模型無法從少數(shù)類中學習足夠的特征,導致少數(shù)類的檢測精度將會受到嚴重影響。針對這一問題,我們提出一種代價敏感混合網(wǎng)絡(luò)（Cost-Sensitive Hybrid Network,CSHN）模型用來解決類間嚴重偏斜的時間序列數(shù)據(jù)的異常檢測問題。該模型由卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）、門控遞歸單元（Gated Recurrent Unit,GRU）網(wǎng)絡(luò)以及代價敏感損失函數(shù)組成。因此,... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖2-1支持向量機對線性可分數(shù)據(jù)集的示意圖

取，并使網(wǎng)絡(luò)對輸入樣本的特征變化獲得一定不變性，其計算公式：))((1ljljljljbxdownfx(2-16)公式(2-16)式中，和b分別是乘法偏置和加法偏置，down)(是降采樣函數(shù)，一般情況下，降采樣函數(shù)將輸入特征圖劃分成多個不重疊的區(qū)域，對每個區(qū)域求一個統(tǒng)計值。常見的池化方法包括最大值池化、均值池化和隨機池化等。最大值池化對池化核連接的局部區(qū)域求最大值實現(xiàn)降采樣功能；均值池化對池化核連接的局部區(qū)域求平均值實現(xiàn)降采樣功能；隨機池化則根據(jù)局部區(qū)域內(nèi)的元素值確定概率矩陣，根據(jù)概率矩陣隨機選擇輸出。圖2-2展示了三種池化方法的示意圖。圖2-2三種池化方法的示意圖Fig.2-2Schematicdiagramofthreepoolingmethods(3)全連接層與輸出層

闃校?魑?判斷樣本類別的依據(jù)。)()(1lllllfxfbxWu(2-17)以CNN網(wǎng)絡(luò)為例，如圖2-3所示為一維時間序列數(shù)據(jù)分類的CNN網(wǎng)絡(luò)結(jié)構(gòu)圖。其中輸入的時間序列數(shù)據(jù)長度為128，C1和C3層為卷積層，卷積核的分別為321和161，C1層有6個卷積核，C3層有12卷積核，因此C1層輸出6個特征圖，C3層輸出12個特征圖；S1層和S2層為池化層，池化核尺寸均為21，因此卷積層輸出的特征圖經(jīng)過池化層后，水平、垂直方向的尺寸均下降為原來的一半，特征圖數(shù)量不變；C5層和F6層為全連接層，節(jié)點數(shù)分別為192和84；輸出節(jié)點為2，表示輸入時間序列數(shù)據(jù)的類別。圖2-3CNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2-3TheCNNnetworkstructure上面介紹了CNN網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)的數(shù)學原理和作用，同時也介紹了一個基礎(chǔ)的CNN網(wǎng)絡(luò)結(jié)構(gòu)。由于卷積神經(jīng)網(wǎng)絡(luò)不需要過多的數(shù)據(jù)預處理工作，而且分類性能明顯優(yōu)于傳統(tǒng)的機器學習方法，比如2.1節(jié)我們介紹的支持向量機。因此，它在分類問題中得到廣泛應用，特別是對于海量數(shù)據(jù)集中的分類問題中，它有著得天獨厚的優(yōu)勢。而傳統(tǒng)的機器學習方法需要做大量的數(shù)據(jù)預處理工作，對于數(shù)據(jù)量大且數(shù)據(jù)結(jié)構(gòu)比較復雜的時間序列數(shù)集，它的分類精度和分類效率都會受到很大的影響。2.3Adaboost回歸算法Adaboost回歸算法在股票預測、風速預測以及發(fā)電量預測等問題上得到了成功應用，因此目前在解決預測問題上廣受大家青睞。所以本文在這里介紹Adaboost回歸算法，以幫助我們了解Adaboost對于時間序列數(shù)據(jù)如何預測。Adaboost回歸算法[70]是Boosting方法中最流行的一種算法，將多個弱學習模型通過一種的組合方式，形成一個強學習模型，以達到提高預測正確率的目的。下面我們具體介紹Adaboost回歸算法過程。輸入為樣本集)},(,),,(),,{(2211mmyxyxyxT，采用弱學習器算法，弱學習器迭代次數(shù)為K。輸出為?

【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[2]一種基于核SMOTE的非平衡數(shù)據(jù)集分類方法[J]. 曾志強,吳群,廖備水,高濟.  電子學報. 2009(11)



本文編號：3284018