1. <menuitem id="m63kj"></menuitem>
        <tbody id="m63kj"><div id="m63kj"></div></tbody>
        <bdo id="m63kj"></bdo>
      2. <tbody id="m63kj"><div id="m63kj"></div></tbody>
        1. <menuitem id="m63kj"><dfn id="m63kj"><delect id="m63kj"></delect></dfn></menuitem>
            您當前所在位置: 首頁 > 首發論文
            動態公開評議須知

            1. 評議人本著自愿的原則,秉持科學嚴謹的態度,從論文的科學性、創新性、表述性等方面給予客觀公正的學術評價,亦可對研究提出改進方案或下一步發展的建議。

            2. 論文若有勘誤表、修改稿等更新的版本,建議評議人針對最新版本的論文進行同行評議。

            3. 每位評議人對每篇論文有且僅有一次評議機會,評議結果將完全公示于網站上,一旦發布,不可更改、不可撤回,因此,在給予評議時請慎重考慮,認真對待,準確表述。

            4. 同行評議僅限于學術范圍內的合理討論,評議人需承諾此次評議不存在利益往來、同行競爭、學術偏見等行為,不可進行任何人身攻擊或惡意評價,一旦發現有不當評議的行為,評議結果將被撤銷,并收回評審人的權限,此外,本站將保留追究責任的權利。

            5. 論文所展示的星級為綜合評定結果,是根據多位評議人的同行評議結果進行綜合計算而得出的。

            勘誤表

            上傳勘誤表說明

            • 1. 請按本站示例的“勘誤表格式”要求,在文本框中編寫勘誤表;
            • 2. 本站只保留一版勘誤表,每重新上傳一次,即會覆蓋之前的版本;
            • 3. 本站只針對原稿進行勘誤,修改稿發布后,不可對原稿及修改稿再作勘誤。

            示例:

            勘誤表

            上傳勘誤表說明

            • 1. 請按本站示例的“勘誤表格式”要求,在文本框中編寫勘誤表;
            • 2. 本站只保留一版勘誤表,每重新上傳一次,即會覆蓋之前的版本;
            • 3. 本站只針對原稿進行勘誤,修改稿發布后,不可對原稿及修改稿再作勘誤。

            示例:

            上傳后印本

            ( 請提交PDF文檔 )

            * 后印本是指作者提交給期刊的預印本,經過同行評議和期刊的編輯后發表在正式期刊上的論文版本。作者自愿上傳,上傳前請查詢出版商所允許的延緩公示的政策,若因此產生糾紛,本站概不負責。

            發郵件給 王小芳 *

            收件人:

            收件人郵箱:

            發件人郵箱:

            發送內容:

            0/300

            論文收錄信息

            論文編號 202109-17
            論文題目 深度混合多元時間序列異常檢測方法
            文獻類型
            收錄
            期刊

            上傳封面

            期刊名稱(中文)

            期刊名稱(英文)

            年, 卷(

            上傳封面

            書名(中文)

            書名(英文)

            出版地

            出版社

            出版年

            上傳封面

            書名(中文)

            書名(英文)

            出版地

            出版社

            出版年

            上傳封面

            編者.論文集名稱(中文) [c].

            出版地 出版社 出版年, -

            編者.論文集名稱(英文) [c].

            出版地出版社 出版年,-

            上傳封面

            期刊名稱(中文)

            期刊名稱(英文)

            日期--

            在線地址http://

            上傳封面

            文題(中文)

            文題(英文)

            出版地

            出版社,出版日期--

            上傳封面

            文題(中文)

            文題(英文)

            出版地

            出版社,出版日期--

            英文作者寫法:

            中外文作者均姓前名后,姓大寫,名的第一個字母大寫,姓全稱寫出,名可只寫第一個字母,其后不加實心圓點“.”,

            作者之間用逗號“,”分隔,最后為實心圓點“.”,

            示例1:原姓名寫法:Albert Einstein,編入參考文獻時寫法:Einstein A.

            示例2:原姓名寫法:李時珍;編入參考文獻時寫法:LI S Z.

            示例3:YELLAND R L,JONES S C,EASTON K S,et al.

            上傳修改稿說明:

            1.修改稿的作者順序及單位須與原文一致;

            2.修改稿上傳成功后,請勿上傳相同內容的論文;

            3.修改稿中必須要有相應的修改標記,如高亮修改內容,添加文字說明等,否則將作退稿處理。

            4.請選擇DOC或Latex中的一種文件格式上傳。

            上傳doc論文   請上傳模板編輯的DOC文件

            上傳latex論文

            * 上傳模板導出的pdf論文文件(須含頁眉)

            * 上傳模板編輯的tex文件

            回復成功!


            • 0

            深度混合多元時間序列異常檢測方法

            首發時間:2021-09-06

            遲百峰 1   

            遲百峰(1995-),男,碩士研究生,主要研究方向:數據挖掘、異常檢測

            原繼東 1   

            原繼東(1989-),男,副教授,碩導,主要研究方向:數據挖掘、機器學習

            • 1、北京交通大學計算機與信息技術學院,北京 100044

            摘要:時間序列異常檢測是時間序列數據挖掘中的研究熱點問題,在網絡安全、健康醫療、風險管理等實際應用領域占據重要地位。異常檢測任務中的時間序列往往是多元高維數據且異常樣本分布占比較低,基于統計或傳統機器學習的方法缺乏對類不平衡問題的考慮,以及數據間順序關系、局部特征的有效處理,導致誤判或漏判異?,F象的發生。本文提出一種采用深度自編碼器(Deep AutoEncoder, DAE)與傳統分類器(如支持向量機等)相結合的方式進行時間序列異常檢測的方法。深度自編碼器由卷積神經網絡(Convolutional Neural Network, CNN)和長短期記憶(Long Short-Term Memory, LSTM)網絡搭建,得益于CNN和LSTM能有效捕捉時間序列的局部空間特征和數據之間的相關性,原始數據在隱層子空間中的特征表示明顯減弱了正常樣本和異常樣本之間的關系,在此基礎上傳統分類器更容易精準區分出異常,同時降低閾值篩選等檢測方案面臨的不確定性問題。通過與多個基準方法的對比實驗表明,本文提出的算法在多個數據集上都表現出良好的效果。

            關鍵詞: 時間序列 異常檢測 LSTM CNN 自編碼器

            For information in English, please click here

            Deep Hybrid Multivariate Time Series Anomaly Detection

            CHI Baifeng 1   

            遲百峰(1995-),男,碩士研究生,主要研究方向:數據挖掘、異常檢測

            YUAN Jidong 1   

            原繼東(1989-),男,副教授,碩導,主要研究方向:數據挖掘、機器學習

            • 1、School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044

            Abstract:Time series anomaly detection is a hot-topic in time series data mining, and it occupies an important position in practical applications, such as network security, health care, and risk management. The time series in anomaly detection tasks are often multivariate high-dimensional data, and the number of anomalous samples is relatively less. Methods based on statistics and traditional machine learning cannot effectively deal with the problem of class imbalances, and they ignore the order of the data and local information, leading to misjudgment and omission of anomaly. This paper proposes a method for time series anomaly detection using a combination of Deep AutoEncoder (DAE) and traditional classifiers (such as support vector machines). The DAE is built by Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM).Thanks to the ability of CNN and LSTM to effectively capture the local spatial and temporal features,the correlation of the original data in the hidden layer subspace has significantly weakened the relationship between normal samples and abnormal samples. On this basis, traditional classifiers are easier to accurately distinguish abnormalities, and decrease the uncertain of detection schemes such as threshold screening. Experiments show that compared with various baselines, the proposed method shows better results on multiple datasets.

            Keywords: Time Series Anomaly Detection LSTM CNN AotuEncoder

            Click to fold

            點擊收起

            基金:

            論文圖表:

            引用

            導出參考文獻

            .txt .ris .doc
            遲百峰,原繼東. 深度混合多元時間序列異常檢測方法[EB/OL]. 北京:中國科技論文在線 [2021-09-06]. http://www.fightingvitiligo.com/releasepaper/content/202109-17.

            No.****

            動態公開評議

            共計0人參與

            動態評論進行中

            評論

            全部評論

            0/1000

            勘誤表

            深度混合多元時間序列異常檢測方法

            少妇人妻好深太紧了