基于注意力变分自编码器的时序异常检测算法

基于时间序列的异常检测对于多领域的应用场景至关重要,目的是从时间序列的样本分布中识别出异常样本,设计该识别算法的根本挑战是学习一个能有效区分异常的表示。提出一种基于注意力变分自编码器的无监督时间序列异常检测算法,编码器采用卷积与自注意力机制进行特征提取、采用对称结构进行特征重建,通过隔离状态的数据集来计算重建损失从而确定异常阈值。通过与现有5种方法的对比实验表明,该方法在Precision、Recall和F1-score三个指标上均有提升,有效提升时间序列无监督异常检测的准确率。

异常检测算法在工业传感器数据中的应用研究

为评估异常检测算法应用效果,文章运用无线温振传感器VA330在工业环境中收集设备运行状态数据,评估异常检测算法在识别异常数据点方面的性能指标。结果表明,异常检测算法在处理具有明显分布特征的数据时表现优异,特别是在减速箱数据中,该算法推断出可能存在的齿轮和联轴器对中不良问题,以适应现有的工业应用场景。

异常检测算法分析

介绍了异常检测的算法,如基于统计的异常检测算法,基于深度的检测算法等,并重点分析了近些年来的一些新发展,如基于距离的异常检测,基于密度的异常检测以及面向高维数据的异常检测,并比较了其优缺点。

基于特征层融合的高光谱图像异常检测算法研究

介绍了一种基于特征层融合的异常检测算法。目前 ,其他的目标检测算法都需要知道有确定类别标记的样本 ,而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖 ,但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合 ,再进行分割、提取异常点 ,其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理 ,取得了较好的结果。

基于NIS的异常检测算法

该文根据生物免疫系统的免疫识别机理提出了一种基于NIS的异常检测算法来识别计算机系统运行的性能异常,将健康的系统状态作为“自我”,不健康的系统状态作为“非我”,多次应用阴性选择充当过滤器,并以遗传算法进化检测子,最后仿真实验验证了算法具备较好的检测性能。

基于自适应核方法的正交子空间投影异常检测算法

在高光谱图像的异常目标检测核方法中,高斯径向基核函数的宽度决定因子(即核参数)选择恰当与否是决定算法性能的重要因素。针对这一问题,提出了一种基于自适应核方法的正交子空间投影高光谱图像异常检测算法,有效的解决了统一的全局检测参数在复杂多变背景环境下检测性能下降的问题。这不仅提高了算法的通用性,也降低了检测的计算量。用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。将该算法与其他算法进行比较,结果表明,所提出算法的检测性能明显地优于传统算法,降低了虚警概率。

基于高阶动态贝叶斯网络嵌入的路面异常检测算法

路面异常会给驾驶员与行人带来不便,更可能引发交通事故。提出了一种通过传感器时序信号数据进行路面异常检测的算法。针对行驶过程中采集的不同传感信号之间具有较强的高阶时序相关性的问题,通过构建高阶动态贝叶斯网络分类器来实现异常检测。首先,通过相关性分析和Granger因果分析分别构建初始时刻网络和转移网络的初始网络;然后,将传感信号进行小波分解,通过卷积神经元网络实现网络嵌入学习;最后,利用网络嵌入进行链路预测,结合MDL评分实现网络修正学习算法。实验结果表明,该检测算法相对于传统的时间序列分类方法,在分析时序相关性较大的信号数据时,具有更低的误检率和漏检率、更高的F1值,并且更加鲁棒。

基于多因子融合的水质异常检测算法

为了及时有效地发现偶发或蓄意的水质异常,保障饮用水供水安全,在总结现有异常检测算法的基础上,提出基于自回归(AR)模型和模糊C-均值聚类(FCM)的多因子融合水质异常检测算法.通过AR模型实现水质背景信号的高精度跟踪,采用FCM算法融合多种水质指标的AR预测残差,与设定阈值作比较并判断异常.实验结果表明,与单因子算法、直接融合水质指标监测值的算法、利用多维欧氏距离融合AR预测残差的算法相比,提出的多因子融合水质异常检测算法具有更高的异常检出率和较低的误报率.

一种基于一类支持向量机的时序异常检测算法

提出一种基于一类支持向量机的时序异常检测算法。该算法通过投影相空间重构法将时序数据转换为向量,构造数据依赖的核函数来优化SVM对多噪声非线性时序数据的处理,最后用一类支持向量机进行异常检测。

基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法

智能电网的信息系统是保障电力行业正常运行的基础,而智能电网中各种时间序列数据的分析结果是衡量信息系统稳定运行的重要依据。传统的时间序列数据异常检测算法很难同时兼顾准确性和实时性。本文引入基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法,结合无监督学习算法和有监督学习算法的优点,实现机器自动标注和自动学习阈值,人工标注少量特征值,从一定程度上提高了时间序列数据异常检查准确性和实时性,可以满足智能电网时间序列数据异常检测需求,从而达到提升智能电网信息安全的目的。

一种改进的星上高光谱异常检测算法研究

为解决传统RX异常检测算法导致的星上高光谱图像异常检测准确率低、成本高等问题,对一种改进的星上高光谱异常检测算法进行了研究。在传统RX异常检测算法的基础上,用噪声自适应主成分变换对原始图像进行变换,选择变换后大于设定的合适信噪比阈值的数据;用局部正交子空间投影(LOSP)算法将相应数据投影到正交子空间获得图像残差数据,通过抑制背景等强干扰信息而突出小概率的异常目标信息;用空域滤波方法提取残差数据的特征,将大部分图像信息以某种标准集中于少数的主成分;对获得的波段子集用中值滤波器滤波,消除噪声干扰;用RX异常检测算子对滤波后的波段子集进行异常目标检测。试验结果证明了算法的有效性,算法通过数据量压缩,降低维度、抑制干扰信息,减少了异常检测处理的数据量以提高异常检测效率和精度。

异常检测算法综述

异常检测作为机器学习常见的应用之一,旨在检测数据中的特殊点,适用于故障诊断、入侵与欺诈检测等多个领域。对异常检测进行简要的概述,其中包含异常检测解决的两大问题以及使用异常检测的标准,详细介绍与分析异常检测的类别及原理,对典型的几种异常检测算法进行优缺点分析,同时列举的典型的异常检测算法在实际中的应用,最后对异常检测算法的发展趋势进行展望。

一种基于属性的异常点检测算法

异常数据检测是数据挖掘研究的热点之一。本文在对现有异常点检测算法分析的基础上,提出了一种基于属性的异常点检测算法。简要地介绍了异常检测的现状,对基于属性的异常检测算法进行了详细分析,包括算法设计基础、算法描述、复杂度分析等。并通过与基于距离的异常点检测算法进行实验比较,表明了算法的优越性。

计算机网络下网络流量异常的检测算法

文章首先简要阐述了网络流量异常检测的重要意义,在此基础上对计算机网络环境下网络流量异常的检测算法进行论述。期望通过本文的研究能够对网络运行稳定性的提升有所帮助。

一种新的电梯交通流异常值检测算法

介绍异常值的基本种类以及对序列的影响,总结至今为止国内外使用较为广泛的异常值检测算法及其相应的改进算法,在此基础上可得出一种新的电梯交通流序列异常值检测算法,仿真验证表明效果较好。

视频监控中的快速异常检测与分析

异常检测是视频监控中目标识别与跟踪的基础。本文提出了一种快速异常检测与分析算法，主要进行了有条件背景替换的检测，并采用分块的方法进行视频分析。同时提出了视频异常检测算法的评价准则，构造了检测标准视频序列。最后给出了实验结果。

基于PCA的无监督异常检测方法研究

针对现有的无监督异常检测技术的不足之处 ,提出了一种基于样本分布异常数据实例度量方法 ;将主成分分析方法应用到异常检测中解决数据集高维数据的降维问题 .提出一种新的无监督异常检测算法 μ- U AD,并对该算法进了性能评估 .实验表明 ,该算法具有较好的检测性能 .

四类交通事故检测算法的分析

交通事故检测是ITS的重要组成部分,文章就现有的模式识别法、事故理论、统计预测和人工智能四类不同的交通异常检测算法进行分析,重点分析各种方法中存在的优点和不足之处,以便为建立具有较高检测率、较低误报率和检测时间的检测算法提供科学的参考。

异常检测测试平台的设计

提出了一种可以测试不同算法的异常检测测试平台。为适合大规模分布式网络,将网络分成不同网段,每个网段放置一个探测器IC,把不同IC提供的网络数据汇总至异常检测部件,在此进行异常分析,并根据分析结果对可能的入侵行为进行实时报警,其中的异常检测算法可以替换。最后,针对一种基于统计的异常检测算法进行了实验,并给出异常检测结果。

一种基于链形混合拓扑的输电线路温度异常检测方法

我国输电线路存在异常检测数据准确性和及时性较低,无线环境恶劣,数据在时空难关联等问题,因此建设一个高效、安全、准确的输电线路异常检测模型迫在眉睫。提出一种基于链形混合拓扑的异常检测方法,将传感器采集到的数据送至基站进行单源和多源多维数据异常检测。该方法首先设计了一种基于时间维度的单源数据异常检测算法(single-source data anomaly detection algorithm,SDADA),对检测时间内的数据进行依次遍历,确定有效和异常数据的个数,然后对异常检测结果进行综合分析。其次,设计了一种在基站端执行的多源多维数据异常检测算法(multi-source and multi-dimensional data anomaly detection algorithm,MDADA),在SDADA的基础上,通过位置相关性定义了不同传感器之间的距离关系,用于确定候选异常检测队列,并对特定时间的异常数据值进行综合分析。实验结果表明,与传统方案相比,该方法具有更高的检测精度和执行效率。