一种硬盘故障预测的非监督对抗学习方法

发布时间：2020-12-18 05:11

　　为解决传统监督学习方法在不均衡数据集异常检测上易出现过拟合的问题,提出一种非监督对抗学习方法用于硬盘故障预测。该方法使用长短期记忆神经网络和全连接层设计了一种可进行二次编码的自编码器,只需使用正常样本进行训练,通过减小样本重构误差和潜在向量之间的距离,使模型学习正常样本的数据分布,从而提高了模型的泛化能力。模型中还引入生成式对抗网络增强非监督学习的效果。在多个数据集上的对比实验显示,该方法对异常样本的召回率和精确度都高于传统的监督学习和半监督学习分类器,泛化能力更强。所以,该非监督对抗学习方法在硬盘故障预测上是有效的。 

【文章来源】：西安电子科技大学学报. 2020年02期 北大核心

【文章页数】：8 页

【部分图文】：

模型的网络结构

图1 模型的网络结构样本X通过生成器得到样本的重构，并在第1次编码时生成潜在向量z,z=fEnc1(X），且z∈Rm,m是z的维度；经由编码器2的二次编码生成潜在向量的重构。训练时不断减小两个重构误差，学习样本在样本空间X和潜在向量空间z上的分布。由于样本层的重构误差容易受到噪声干扰，影响检测效果，所以在检测阶段不再使用样本层的重构误差作为异常检测依据，而是使用更深层的潜在向量的重构误差作为异常检测的依据，这样可以大大提高模型的抗干扰能力。生成式对抗网络为模型加入对抗学习，通过交替训练可以得到更好的生成器。

对于3种深度学习方法GANomaly、LSTM-CNN和LSTM-FC，实验中保留了在验证阶段的感受性曲线和异常分数的分布图（为使图形更加直观，进行了取对数处理），分别如图3和图4所示。图4 各模型在NM007数据集上异常分数的分布图


本文编号：2923417