基于超球面支持向量机的传感器网络数据异常检测分析

发布时间：2021-05-21 14:28

　　构建了一种通过DBN实现的1/4超球面支持向量机（Quarter-Sphere support vector machines, QSSVM）测试模型,设计了一种可以实现在线测试功能的异常检测算法。当窗口扩大后,QSSVM发生了准确度不断提高的变化趋势,能够提高半径的测试精度。当窗口增大后算法持续时间增加,QSSVM相对于OCSVM（One-Class support vector machines, OCSVM）可以降低近一半的计算时间。随着窗口扩大至临界值后,将会引起准确度的减小,设置QSSVM算法滑动窗口为100。当样本包含更高的维度异常比例时,所有算法都出现了检测率增大的变化现象。当样本维度升高后,QSSVM依然具备优异检测性能,而K-means发生了检测性能的下降。通过测试发现,采用新算法能够满足大规模高维传感器的数据处理需求,从而减小时间复杂度并能够更加准确测定异常数据。 

【文章来源】：微型电脑应用. 2020,36(10)

【文章页数】：3 页

【文章目录】：
0 引言
1 算法
    1.1 1/4超球面支持向量机(QSSVM)
    1.2 深度信念网络(Deep Belief Network, DBN)模型
    1.3 基于深度信念网络的传感器数据异常检测算法
2 实验
    2.1 数据集与实验设置
    2.2 算法效率及窗口大小影响
    2.3 检测率(DR)
3 总结


【参考文献】：
期刊论文
[1]中国区域电离层异常数据野值检测[J]. 刘禹彤,李锐,包俊杰,刘亚希.  北京航空航天大学学报. 2020(01)
[2]云计算光纤网络中大数据异常负载检测模型[J]. 武海龙,武海艳.  激光杂志. 2019(06)
[3]云组合服务网络的异常植入数据检测算法[J]. 陈永聪.  信息技术. 2019(06)
[4]基于熵权聚类网络异常行为的检测方法研究[J]. 赵宝庆,王赫男.  信息技术. 2019(06)
[5]大数据环境下的网络流量异常检测研究[J]. 农婷.  科技风. 2019(17)
[6]一种基于分层聚合的分布式异常数据检测方案[J]. 许春杰,吴蒙,杨立君.  计算机工程. 2020(04)
[7]基于SVDD的ADS-B异常数据检测[J]. 王振昊,王布宏.  河北大学学报(自然科学版). 2019(03)
[8]大数据网络下船舶轨迹异常故障检测技术优化[J]. 刘志方.  舰船科学技术. 2019(10)
[9]瓦斯浓度流数据实时异常检测方法[J]. 吴海波,施式亮,念其锋.  计算机与数字工程. 2019(05)
[10]基于深度信念网络和线性单分类SVM的高维异常检测[J]. 李昊奇,应娜,郭春生,王金华.  电信科学. 2018(01)



本文编号：3199869