基于神经网络降维和支持向量机分类的高维异常检测

发布时间：2021-10-17 12:33

　　异常检测（Anomaly Detection）是数据挖掘中的重要部分。大数据背景下,数据的维度成“爆炸式”增长,这对高维数据异常检测的需求量也急剧增加。深度神经网络（Deep Neural Networks,DNN）优秀的非线性降维特性可以进行数据降维,解决“维数灾难”问题。单分类支持向量机（One-Class Support Vector Machine,OCSVM）是目前解决异常数据检测问题的重要手段。高维数据下的异常检测已成为科学前沿研究的重点和热点话题。本文首先提出了高维背景下的异常检测问题,接着分析了目前解决高维异常检测的两种有效途径,即利用神经网络降维和支持向量机分类。然后对以上两种传统方法做出了改进并与原方法在实验上进行了对比。实验结果表明,本文提出的改进算法在降低维度的同时提高了异常检测的正确率并且降低了算法的计算复杂度。本文的改进算法有以下两种:1.针对目前高维数据异常检测存在的困难,本文提出用降噪自动编码器（Denosing Auto-Encoder,DAE）代替普通的栈式自动编码器（Stacked Auto-Encoder,SAE）进行高维数据的异常检测。DAE首... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

神经元模型

-5 -4 -3 -2 -1 0 1 2 3 4 5012345softplus functionrectifier functon图 2.3 新型激活函数 softplus（左侧）和 rectifer（右侧） 神经网络模型经网络由输入层、隐藏层、输出层组成，每一层内有多个相互独立的神经元，藏层和输出层间是全链接，这样便组成了一个神经网络，如图 2.4 所示。

2 1 12 23 2 2 23 3w ,bz w x ba f zz w a bh x a f z 网络的隐藏层层数大于 2 时，将此时的网络称。深度神经网络的特点在于它能够逐层地学习原为基础，但往往更抽象，更加适合复杂的分类Encoder）是神经网络的一种，经过训练后能尝试动编码器可以理解为两部分，编码（Encoding）部只有一个隐藏层 h，由输入层 x 到隐藏层 h 过程称为解码。其拓扑结构如图 2.5 所示。

【参考文献】：
期刊论文
[1]大数据时代的数据挖掘——从应用的角度看大数据挖掘[J]. 李涛,曾春秋,周武柏,周绮凤,郑理.  大数据. 2015(04)
[2]基于隶属函数的汽车行驶异响分析研究[J]. 向志渊.  价值工程. 2013(16)
[3]变异特征加权的异常语音说话人识别算法[J]. 何俊,李艳雄,贺前华,李威.  华南理工大学学报(自然科学版). 2012(03)

硕士论文
[1]基于人口普查数据质量的异常数据分析[D]. 朱红霞.成都理工大学 2016



本文编号：3441776