基于特征自适应优化的异常检测算法研究

发布时间：2023-10-22 10:35

　　在信息社会时代,数据承载着许多重要信息,具有巨大的经济价值,然而数据在服务人类的同时也蕴含着潜在的风险,会给实际的生产工作带来巨大的安全隐患。异常检测作为一种有效的防护手段,能够检测出偏离正常期望行为的异常数据,为各类系统的正常运转提供重要支撑。因此,研究高效的异常检测算法对众多领域而言具有重要的现实意义。本文首先介绍了异常检测的相关理论知识,然后在传统异常检测方法面对高维数据效果不佳的情况下,深入研究了结合深度学习的异常检测算法,提出了基于混合高斯变分自编码器的异常检测模型和基于稀疏变分自编码器的异常检测模型。本文主要研究内容和成果如下:1、提出了一种基于混合高斯变分自编码器的异常检测模型。该模型首先使用混合高斯分布作为变分自编码器的先验和近似后验分布,使得隐变量所在的空间更加灵活,避免出现因先验过于简单导致的后验塌陷问题,影响特征的表示效果。然后在所搭建的变分自编码器编码网络的基础上搭建深度支持向量数据描述网络,压缩特征空间,并寻找最佳超球体分离正常数据和异常数据,通过计算数据特征到超球体中心的欧式距离衡量数据的异常分数,并以此进行异常检测。最后在基准数据集MNIST和Fashio...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 论文研究的背景及意义
    1.2 国内外研究现状
        1.2.1 传统的异常检测算法
        1.2.2 基于深度学习的异常检测算法
    1.3 论文主要工作及章节安排
第2章 理论基础
    2.1 引言
    2.2 数据集介绍
    2.3 混合分布
        2.3.1 混合高斯分布
        2.3.2 钉板分布
    2.4 深度学习概述
        2.4.1 深度学习的发展
        2.4.2 深度学习的核心算法
    2.5 常见的深度学习模型
        2.5.1 卷积神经网络
        2.5.2 自编码器
        2.5.3 变分自编码器
    2.6 本章小结
第三章 基于混合高斯变分自编码器的异常检测模型
    3.1 引言
    3.2 异常检测模型
        3.2.1 模型结构
        3.2.2 混合高斯变分自编码器
        3.2.3 深度支持向量数据描述网络
        3.2.4 异常检测过程
    3.3 网络模型设计
    3.4 实验
        3.4.1 实验配置及数据集
        3.4.2 评价标准
        3.4.3 MNIST数据集实验结果与分析
        3.4.4 Fashion-MNIST数据集实验结果与分析
    3.5 本章小结
第4章 基于稀疏变分自编码器的异常检测模型
    4.1 引言
    4.2 异常检测模型
        4.2.1 模型结构
        4.2.2 稀疏变分自编码器
        4.2.3 异常检测过程
    4.3 实验
        4.3.1 实验配置及数据集
        4.3.2 稀疏性实验
        4.3.3 异常检测实验
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录



本文编号：3856346