文献类型：期刊文章

作　　者：陈磊[1,2] 秦凯[1,2] 郝矿荣[1,2]

CHEN Lei;QIN Kai;HAO Kuangrong(Engineering Research Center of Digitized Textile and Apparel Technology of Ministry of Education,Donghua University,Shanghai 201620,China;College of Information Science and Technology,Donghua University,Shanghai 201620,China)

机构地区：[1]东华大学数字化纺织服装技术教育部工程研究中心,上海201620 [2]东华大学信息科学与技术学院,上海201620

出　　处：《华中科技大学学报（自然科学版）》

基　　金：国家重点研发计划资助项目(2016YFB0302701);上海市自然科学基金面上资助项目(19ZR1402300,20ZR1400400)。

年　　份：2021

卷　　号：49

期　　号：11

起止页码：35-40

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对基于LSTM-AE(长短期记忆自编码器)的时间序列异常检测方法在异常检测阶段对正常序列和异常序列的重建误差不能明显分化,致使重建误差在阈值附近的序列无法正确判断正常与异常的问题,提出一种集成LSTM-AE框架——LAEE(长短期记忆自编码器集成框架).将训练阶段拆分为预训练和预检测两个阶段,在预训练阶段训练多个隐层维度不同的LSTM-AE,通过预检测阶段的表现挑选基检测器,并计算其各自权重;在异常检测阶段,通过对每个基检测器产生的重建误差进行加权集成获得新的重建误差矩阵,进行异常识别.通过在两类数据集上的实验结果表明:所提方法使得检测目标正常序列与异常序列重建误差分化程度加大,提高了异常检测精度.

关 键 词：时间序列异常检测  长短期记忆  自动编码器  集成框架  重建误差  

分 类 号：TP306.3]