文档介绍：签名:避:;论文题目:时间序列数据流在线预测与异常检测方法研究甀删㈣緄㈣摘学科名称:模式识别与智能系统研究生:侯宁宁指导教师:杨延西教授要签名:.、卡尔曼滤波算法。能,这对要求数据流无限性及实时处理的数据序列是相当不利的。本论文通过对在线最小二乘支持向量机算法.、卡尔曼滤波算法以及扩展卡尔曼滤波算法难把芯浚谑奔湫蛄械ノ淙胧萘骷***窍咝远辔淙胧萘髁礁龇矫胬常判断环节使它们能够得到更多的应用。通过增加阈值判断环节使得各算法能够在线实时的预测时间序列数据流;同时算法预测得到的输出值与真实值进行比较判断,通过异常判断环节最终达到时间序列数据流在线异常检测的目的。适用数据流检测领域范围,并对它们原本算法进行了实例验证;其次,对增加阈值判断环节,使三种算法都可以实时预测数据流,仿真实验选用均方根误差作为检测精度的指标,仿真结果表明了三种算法预测的有效性;最后,在预测算法基础上增加异常判断环节——应用类型隶属度判断以及基于局部最大距离的孤立点检测判断,使算法能关键词:在线预测;异常检测;阈值判断;应用类型隶属度;局部最大距离当前,时间序列数据流预测与异常检测的方法大都为离线的,并且没有动态预测的功验证算法在线预测与异常检测的效果。在了解了在线最小二乘支持向量机算法以及扩展卡尔曼滤波算法幕纠砺塾胨枷牒螅诖嘶∩霞尤脬兄蹬卸弦约耙对于时间序列数据流在线预测与异常检测,本论文主要通过三块内容依次来进行研究的。首先,,了解它们各自的特性及够进行异常检测,仿真实验选用召回率、准确率以及漏检率作为异常检测评判标准,仿真结果表明了三种算法异常检测的有效性。本研究得到国家自然基金嗪牛的资助。摘要.
西安理工大学硕士论文
algorithm,:.,---series..uracyTheresultseffectivenessapplication琲linkapplicationoutlierbasedlocalmaximumbasisarecanerror
andanomalyjudgmentApplicationChina(GrantNo60805020)performedabnormalitymissingeffectivenessmembershipLocalthe西安理工大学硕士论文甌ratethedetectioncriteriaTheresultsthreeapplicationKeywordsOnlinepredictionAnomaly籘foundedNaturalSciencemaximumcanuse
《酥С窒蛄炕惴ǖ谋尘敖樯堋212d,-ü⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯311233122432124算法预测判断依据⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯仿真实例⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.时间序列单维输入数据流异常检测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1{1122135奔湫蛄惺萘骷觳夥椒ㄑ芯俊2141221513卡尔曼滤波算法⋯⋯⋯⋯:⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯22114.┱箍ǘ瞬ㄆ鳌!璤⋯⋯⋯⋯⋯⋯⋯2321923320小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯非线性多维输入数据流预测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯32225433异常判断环节⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..卡尔曼滤波算法异常检测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..非线性多维输入数据异常检测⋯⋯⋯⋯⋯⋯⋯