基于自适应交互学习的CPS时间序列异常检测

对信息物理系统(CPS)的时间序列进行检测是一种重要的异常检测手段,然而现有的一些时间序列异常检测方法往往忽略了时间序列内部的依赖关系,使得预测或重构数据建立起的依赖关系较差,进而影响异常检测性能。针对以上问题,提出一种基于自适应交互学习的CPS时间序列异常检测方法。利用神经网络识别CPS的隐藏状态,然后通过全局自适应融合与交互学习来保留时间序列的依赖关系;接着使用无迹卡尔曼滤波跟踪时间序列的变化趋势,以此增强预测过程的鲁棒性;最后计算异常分数并评估异常情况。应用该方法在三个CPS数据集上实验获得的平均性能为F_(1)分数0.940、精度0.965、召回率91.7%。实验结果表明,相较于近年来的其他研究方法,该方法能够较好地保留时间序列的依赖关系,提取更准确的时间序列特征,进而提高模型的预测性能,使得异常检测的召回率和F_(1)分数得到较好提升,具有良好的应用前景。

增强现实交互技术在工程教育中的研究与应用

当前在数字化工程教育领域,尽管交互技术已取得了较大发展,但在教育领域,已有的自适应学习交互大多以数据驱动方式筛选教学材料。一方面,需要较多的数据来判断用户的需求;另一方面,容易忽视学习的积极性对辅助教学的影响。为此,基于增强现实技术,文章提出了一种将学习风格模型结合数据驱动系统的方法。首先通过学习风格索引问卷的调查判断学习风格,而后根据学生的使用偏好调整系统界面并推送自适应的教学材料。该方法参考学习过程中收集的数据,摸索出学生的学习风格和使用喜好,进而逐渐优化教学交互系统。这不仅激发了学生的学习热情,而且使得工程教育的学习效率得到了提高。