CN110598851A 一种融合lstm和gan的时间序列数据异常检测方法 （北京航空航天大学合肥创新研究院）

一种融合LSTM和GAN的时间序列数据异常检本发明公开了一种融合LSTM和GAN的时间序包括对生成对抗网络模型中鉴别器网络结构和数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。本发明采用2对生成对抗网络模型中鉴别器网络结构和生根据优化后的生成器网络结构和优化后的鉴别器网络结利用确定参数后的异常检测模型对采集的时序数据进2.如权利要求1所述的融合LSTM和GAN的时将所述生成对抗网络模型中的二维卷积层均拓3.如权利要求1所述的融合LSTM和GAN的获取训练数据集并输入至所述异常检测模型，并获取验证数据集并输入至训练好的异常检测模型4.如权利要求1所述的融合LSTM和GAN的时间序列数据异获取实时采集的时序数据，并将时序数据的映射输入通过所将得到的重构数据与时序数据的均方根误差作为将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该5.如权利要求1-4任一项所述的融合LSTM和3优化模块用于对生成对抗网络模型中鉴别器网络结构和生模型搭建模块用于根据优化后的生成器网络结构和优化后检测模块用于利用确定参数后的异常检测模型对采7.如权利要求6所述的融合LSTM和GAN的时8.如权利要求6所述的融合LSTM和GAN的时间序验证单元用于获取验证数据集并输入至训练好的异常检9.如权利要求6所述的融合LSTM和GAN的时间序重构单元用于获取实时采集的时序数据，并将时生成残差计算单元用于将得到的重构数据与时序数据的均方根误差作为该生成器的鉴别损失计算单元用于将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值异常序列检测单元用于根据所述生成残差和鉴别损对生成对抗网络模型中鉴别器网络结构和生根据优化后的生成器网络结构和优化后的鉴别器网络结利用确定参数后的异常检测模型对采集的时序数据进4[0001]本发明涉及信息通信技术领域，特别涉及一种融合LSTM和GAN的时间序列数据异[0002]故障预测与健康管理(PrognosticandHealthManagement，PHM)是综合利用了[0003]时间序列数据的异常检测处理是PHM领域的一个重要部分，传统的异常检测技术正类数据的超平面模型并将超平面另一侧的数据划分为异常类来获得理想的异常检测结[0006]为实现以上目的，一方面，采用一种融合LSTM和GAN的时间序列数据异常检测方[0008]根据优化后的生成器网络结构和优化后的鉴别器网络结构，5[0020]将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作[0030]优化模块用于对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优[0035]第一优化单元用于将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积6[0042]生成残差计算单元用于将得到的重构数据与时序数据的均方根误差作为该生成[0043]鉴别损失计算单元用于将正常数据在鉴别器的输出值和测试数据在鉴别器的输[0047]根据优化后的生成器网络结构和优化后的鉴别器网络结构，数据的时序性特征，同时由于生成对抗对抗网络能够有效检测和获取数据的深层次特征，因而基于优化后的鉴别器网络结构构建的异常检测模块可适用于时序序列数据的深层次7根据生成器和鉴别器对抗训练，实现生成器对数据特征的提取和鉴别器对异常数据的判[0069]将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的二维卷积层全8将正常数据在鉴别器的输出值(即为1)和测试数据在鉴别器的输出值的差值的绝对值作为[0083]S43、将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对[0084]S44、根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结9[0095]优化模块10用于对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行[0096]模型搭建模块20用于根据优化后的生成器网络结构和优化后的[0097]训练验证模块30用于对异常检测模型进行训练和验证，确定异常检测模型的参[0100]第一优化单元用于将将所述生成对抗网络模型中生成器网络结构和鉴别器网络[0108]生成残差计算单元用于将得到的重构数据与时序数据的均方根误差作为该生成[0109]鉴别损失计算单元用于将正常数据在鉴别器的输出值(即为1)和测试数据在鉴别[0120]将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的二维卷积层全序数据。同时利用GAN提取数据深层次特征及构建正常数据模型的优越性能，实现更加高[0125]将正常数据在鉴别器的输出值(即为1)和测试数据在鉴别器的输出值的差值的绝盘等各种可以存储程序代码的介质。GaussianStatistica[0136]图7和表2分别为西储大学轴承数据集上不同算法ROC曲线图和不同算法的异常评ClassSVM、GaussianStatisticalModel算法均采用Python中sklearn库中的模型实现，且IsolationForest、LocalOutlierFactor、GaussianStatisticalModel的[0140]RecriverOperatingChartacteristic(ROC)表示受试者工作特征曲线，是反映敏度，即为被模型检测为正类的正样本数比上正类样本总数的结果；AreaUnderCurve值，说明其具有最好的检测准确性能；其次为LocalOutlierFactor、G