基于深度对抗学习潜在表示分布的异常检测模型

针对已有的异常检测模型在高维、样本多样(类内多样)的数据背景下无法获得合理的潜在表示分布,不平衡数据较多(正常数据远大于异常数据)时特征提取准确性低,以及分类器超参数敏感等问题,本文提出一种基于深度对抗学习潜在表示分布的异常检测模型.基于正则化约束改进自编码器,将数据的原始特征空间映射到潜在特征空间形成低维的潜在表示,使其保持合理的空间分布;配以基于多判别器的生成对抗网络,在有效避免重构特征循环不一致和训练不稳定的基础上,来精确估计潜在表示的概率分布;以获得的潜在表示概率分布为单类分类器的输入,解决单类分类器超参数敏感问题,从而有效提高异常检测的整体性能.实验结果表明,相比于最新的基于机器学习和深度学习的异常检测模型,本文模型可在高维、样本多样、不平衡数据较多的应用背景下获得更合理的潜在表示空间分布并有效估计其概率分布,对单类分类器的超参数不敏感,并有效提高模型的检测性能.     

基于注意力机制的电磁时间序列异常检测方法

实现电磁数据的异常检测和模式发现,对电磁目标异常行为的判断与提前预警具有重要价值.不同类型的电磁数据通常以时间序列的形式存在,且具有正常数据与异常数据不均衡等特点.为应对上述挑战,提出一种基于时空联合注意力机制的时间序列异常检测方法.基于电磁数据的时间与空间特征,结合通道与空间注意力机制,增强对时序数据异常部分的特征表...     

基于深度迁移学习的多变量时间序列异常检测

多变量时间序列异常检测是指从相互关联的多个单变量时间序列中识别不正常的事件或行为的过程。现有的多变量时间序列异常检测方法在应用到新领域时,由于样本分布差异导致检测性能下降。而重新训练模型需要大量新领域的标注数据,且不能有效利用源领域的领域知识。针对这一问题,提出了一种基于深度迁移学习的多变量时间序列异常检测框架,该框架设计了编码器-解码器结构来提取多变量时间序列的特征,同时通过最小化嵌入层向量的距离来减小领域分布差异。基于该框架,提出一种基于ConvLSTM和最大均值差异(MMD)的多变量时间序列异常检测迁移学习方法,并利用解码后的重构误差检测多变量时间序列中的异常。最后,在服务器和空气质量两个多变量时间序列数据集上进行了实验。实验结果显示,目标域训练样本较少时,所提方法在迁移后的检测F1值比迁移前分别提升1.8%和4.2%。对比直接在目标域少量样本上训练模型,F1值提升了约9%。实验表明,所提迁移学习框架和方法对于有效提升多变量时间序列异常检测的性能。     

基于传感器的压力容器异常信息检测

对压力容器中的异常传感信息准确检测能实现压力容器故障诊断排除。针对压力容器异常传感信息宽平稳性强,检测准确度不高的问题,提出一种基于传感器鉴频特征提取的压力容器异常信息检测方法。首先对压力容器中的异常传感信息进行数据采样,对采样数据进行非线性时间序列信息流建模,采用ARMA模型分析压力容器异常信息的时频特征,结合传感器鉴频特征提取实现信号检测。仿真结果表明,采用该方法进行压力容器传感器信息检测的准确检测概率较高。     

基于深度卷积对抗网络的电磁频谱异常检测

为了解决电磁频谱异常检测精度不高的问题,在深度卷积神经对抗网络(Deep Convolution Generative Adversarial Network, DCGAN)的基础上加入了编码器(Encoder)用来重构频谱数据。编码器首先将真实频谱数据编码为低维特征表示,生成器通过学习编码后的低维特征生成重构频谱数据,判别器负责将重构频谱数据与真实频谱数据进行区分,并通过对抗性训练逐渐提高模型重构频谱数据的能力,最后计算重构频谱数据与真实频谱数据的均方误差,判别异常。实验结果表明,该模型能够在多个频段下实现有效的电磁频谱异常检测,在TV频段下,干信比为-5 dB时,相比于现有电磁频谱异常检测方法,所提方法的平均检测性能提升了18%以上。     

基于贝叶斯融合的时空流异常行为检测模型

针对直接利用卷积自编码网络未考虑视频时间信息的问题,该文提出基于贝叶斯融合的时空流异常行为检测模型。空间流模型采用卷积自编码网络对视频单帧进行重构,时间流模型采用卷积长短期记忆(LSTM)编码-解码网络对短期光流序列进行重构。接着,分别计算空间流模型和时间流模型下每帧的重构误差,设计自适应阈值对重构误差图进行二值化,并基于贝叶斯准则对空间流和时间流下的重构误差进行融合,得到融合重构误差图,并在此基础上进行异常行为判断。实验结果表明,该算法在UCSD和Avenue视频库上的检测效果优于现有异常检测算法。     

基于改进CEEMDAN-TCN模型的风电功率预测研究

针对风力发电时间序列数据随机性大、单一算法难以获得准确预测结果的问题,本文采用改进的完全自适应噪声集合经验模态分解(ICEEMDAN)与时域卷积网络(TCN)相结合的模型预测风电功率。首先,针对集成模态分解的残余噪声和杂散模式问题,采用改进的CEEMDAN将原始序列数据分解为多个复杂度差异明显的子序列;其次,利用样本熵评估各分量复杂度,采用注意力机制的TCN,分别对低复杂度子序列和高复杂度子序列进行预测;最后将各子序列的预测结果叠加,得到最终的预测结果。经在弗兰德伦地区的数据集上测试结果表明,所提的ICEEMDAN-TCN模型的MAPE为1.74%,RMSE为127.36,优于其它对比模型,预测效果表现最优。     

基于高阶相似性的属性网络表示学习

现有的网络表示学习方法缺少对网络中隐含的深层次信息进行挖掘和利用。对网络中的潜在信息做进一步挖掘,提出了潜在的模式结构相似性,定义了网络结构间的相似度分数,用以衡量各个结构之间的相似性,使节点可以跨越不相干的顶点,获取全局结构上的高阶相似性。利用深度学习,融合多个信息源共同参与训练,弥补随机游走带来的不足,使得多个信息源信息之间紧密结合、互相补充,以达到最优的效果。实验选取Lap、DeepWalk、TADW、SDNE、CANE作为对比方法,将3个真实世界网络作为数据集来验证模型的有效性,进行节点分类和链路重构的实验。在节点分类中针对不同数据集和训练比例,性能平均提升1.7个百分点;链路重构实验中,仅需一半维度便实现了更好的性能,最后讨论了不同网络深度下模型的性能提升,通过增加模型的深度,节点分类的平均性能增加了1.1个百分点。     

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

针对网络切片场景中，由于软硬件异常而导致服务功能链(SFC)异常的问题，该文提出一种基于分布式生成对抗网络(GAN)的时间序列异常检测模型(DTSGAN)。首先，为学习SFC中正常数据的特征，提出分布式GAN架构，对SFC中包含的多个虚拟网络功能(VNF)进行异常检测；其次，针对时间序列数据构建一种基于滑动窗口数据特征提取器，通过提取数据的两种衍生特性和8种统计特征以挖掘深层次特征，得到特征序列；最后，为学习并重构数据特征，提出时间卷积网络(TCN)与自动编码器(AE)构建的3层编解码器作为分布式生成器，生成器通过异常得分函数衡量重构数据与输入数据的差异以检测VNF的状态，进而完成SFC的异常检测。在数据集Clearwater上采用准确率、精确率、召回率和F1分数这4个性能指标验证了该文所提模型的有效性和稳定性。     

基于随机Transformer的多维时间序列异常检测模型

针对已有基于变分自编码器（VAE）的多维时间序列（MTS）异常检测模型无法在隐空间中传播随机变量间的长时依赖性问题，提出了一种融合Transformer编码器和VAE的随机TransformerMTS异常检测模型（ST-MTS-AD）。在ST-MTS-AD的推断网络中，Transformer编码器产生的当前时刻MTS长时依赖特征和上一时刻随机变量的采样值被输入多层感知器，由此生成当前时刻随机变量的近似后验分布，实现随机变量间的时序依赖。采用门控转换函数（GTF）生成随机变量的先验分布，ST-MTS-AD的生成网络由多层感知器重构MTS各时刻取值分布，该多层感知器的输入为推断网络生成的MTS的长时依赖特征和随机变量近似后验采样值。ST-MTS-AD基于变分推断技术学习正常MTS样本集分布，由重构概率对数似然确定MTS异常片段。4个公开数据集上的实验表明，ST-MTS-AD模型比典型相关基线模型的F1分数有明显提升。     

基于特征向量的两阶段异常检测方法研究

针对水文行业对数据异常模式检测的实时性要求,提出一种基于特征向量的两阶段异常检测方法。先提取时间序列特征形成符号化的特征向量,再使用改进的K-means方法进行聚类,最后用改进的INN对聚类结果进行评估并将聚类后得到的类簇设成相应特征模型。实验表明,该方法实现了对字符串序列的高效准确的聚类,有效检测出异常模式。     

多角度SAR图像非目标遮挡缺失信息重构

合成孔径雷达对地面目标侧视成像时,周围高大建筑或树木的阴影投射到目标上导致非目标遮挡,造成目标部分信息缺失,严重影响目标检测、识别以及跟踪的性能。SAR图像对角度敏感,相邻方位角图像之间相关性强,有助于缺失信息重构。本文首次将多角度SAR图像序列与张量分解结合,提出多角度SAR图像非目标遮挡缺失信息重构。首先,引入多路延时嵌入变换,将多角度SAR图像序列转换为块Hankel张量,以获取相邻方位角图像之间的潜在结构关系。然后,在嵌入的高维空间内进行Tucker分解,实现块Hankel张量缺失信息重构。最后对重构后的块Hankel张量进行多路延时嵌入逆变换实现目标缺失信息重构。MSTAR数据实验结果表明,该方法能实现非目标遮挡情况下车辆目标缺失信息重构,且优于经典算法HaLRTC。      

协同云计算下的差异区域数据挖掘平台设计与实现

针对在协同云计算下差异区域数据挖掘偏差较大,准确度不高的问题,提出基于非线性时间序列分析且分层调度控制的差异区域数据挖掘方法。首先构建协同云计算下差异区域数据的信息传输模型,进行数据信息流的时间序列采样分析;然后采用非线性时间序列分析方法重构特征空间,在重构的特征相空间进行自适应分层调度控制,提取关联规则特征,有效挖掘数据;最后进行仿真测试,结果表明该方法的数据挖掘精度较高,抗扰性能较强。     

基于层级实时记忆算法的时间序列异常检测算法

时间序列异常检测是数据分析中一个重要的研究领域.传统的时间序列的异常检测方法主要通过比较检测数据和历史数据的差异程度,以判断被检测数据是否为奇异点（Surprise）、离群（Outlier）点等.然而序列和窗口的划分,状态的划分或者异常的定义和判定等问题,使得这类方法存在一定的局限性.本文针对传统时间序列检测算法不足,提出一种基于层级实时记忆算法的时间序列异常检测算法.该方法对时间序列内在模式关系进行学习,建立预测模型,通过比较预测值和真实值的偏离程度来判断数据是否异常.首先使用稀疏离散表征在保证保留数据相关性的同时又将数据离散化;然后输入到模型网络,预测下一时刻的数据值;最终根据预测值和真实值的差异为数据异常程度进行定量评分.在人造数据和真实数据上的实验表明,该方法能够准确、快速地发掘时间序列中的异常.     

基于Map/Reduce集群上的模式空间划分的序列模式挖掘

通过模式空间划分将基于Map/Reduce处理数据集与候选序列模式集的多对多的对应关系的问题转化为处理数据集与以频繁1-序列为基的各子模式空间的多对多的对应关系问题,大大缩小了中间结果键值对集合的规模,避免了由于组合爆炸导致的单一Map节点的瓶颈问题.通过三轮的Map/Reduce任务,实现了模式空间和过滤规则的建立,并在此基础上实现了各子模式空间上独立地进行序列模式的挖掘.通过充分利用整个模式空间的全局特征及各子模式空间的个性特征,设计了优化的非递归挖掘算法,减少了前缀投影库构造次数及对构造的投影库的扫描次数,从而提高了挖掘阶段的效率.     

基于TBM双层融合架构的航路属性异常检测

航路飞行目标的属性异常检测是确保及时发现飞行异常的关键问题.常用的概率框架需要受到先验信息的局限.可传递置信模型（Transferable Belief Model，TBM）不需要先验信息，能高效处理异质信息，但是传统的TBM无法处理时间上的不连续与不确定性，因此针对异常航路目标检测问题，将马尔可夫模型与TBM框架结合，建立了基于TBM的双层融合架构，实现了多特征融合航路属性异常检测.第一层是通过对多属性冲突信息的分析，实现对多特征的检测，并通过特征贡献度分析，对多特征信息进行打折后再融合；第二层是通过在时间序列上的指派融合，对比预测值和观测值差异，检测航路目标异常变化.仿真试验验证，在切换航路场景与偏离回归场景中，相较动态证据推理方法，本文方法具有更好的决策准确性与时间精确度.     

基于子空间中主成分最优线性预测的高光谱波段选择

针对高光谱遥感图像的异常检测问题,为了使高光谱降维数据能更完整地保留其光谱信息,提出了基于子空间中主成分最优线性预测的波段选择方法.采用改进相关性度量的谱聚类方法将高光谱波段划分为不同的子空间,并对各子空间中的波段进行主成分分析(PCA),选择主要分量作为重构目标;以子空间追踪法为搜索策略,从各子空间中选择数个波段对其重构目标进行联合最优线性预测;合并各子空间中的所选波段得到最佳波段子集.实验结果表明,该方法选择的波段子集可以较完整地重构原始数据,与原始数据以及自适应波段选择(ABS)方法、线性预测(LP)方法、最大方差主成分分析(MVPCA)方法、自相关矩阵波段选择(ACMBS)方法、组合因子最优波段选择(OCFBS)方法得到的波段子集相比,其波段子集具有更好的异常检测性能.     

基于时间反转的探地雷达多目标成像算法研究

时间反转成像算法用于探地雷达多目标成像时,由于各个目标体的能量聚焦时刻和聚焦能量的强度都不相同,使得智能识别局部能量聚焦时刻成为该算法的瓶颈。为了实现时间反转成像算法用于探地雷达多目标成像,首先在B-Scan 中检测到潜在目标双曲线位置,然后用窗口框出各个潜在目标体的“空间-时间”位置,之后将该“空间-时间”窗口转化为待成像区域中的“位置-埋深”窗口,并对各个潜在目标窗口分别进行时间反转成像,虚假目标不存在能量聚焦,进而剔除虚假目标,实现多目标成像。实验结果表明:该算法能较好地实现多目标成像,由于该算法只对潜在目标窗口进行成像,而不是对整个待成像区域进行成像,大大提高了成像效率。     

一种基于时间序列的RFID供应链数据分析方法

通过挖掘海量RFID(Radio Frequency Identification)数据来优化供应链已经成为一个研究热点.本文针对供应链流通中出现的若干周转异常并且难以发现的问题,提出了一种基于时间序列的RFID供应链数据分析方法.将供应链的RFID数据统一成反映各环节周转状况的时间序列格式,然后通过分段趋势分解方法分解提取的时间序列数据,并根据分解后的随机项建立阈值来判断数据是否异常,从而建立相应的时间序列分析模型;最后基于模型检测数据异常.通过多样本和多数据集的实验检测,结果表明这种方法有效并具有较高的效率.     

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。