CN119538135A 一种基于频率增强卷积Transformer的时间序列异常检测方法及系统 (中国科学院大学)_第1页
CN119538135A 一种基于频率增强卷积Transformer的时间序列异常检测方法及系统 (中国科学院大学)_第2页
CN119538135A 一种基于频率增强卷积Transformer的时间序列异常检测方法及系统 (中国科学院大学)_第3页
CN119538135A 一种基于频率增强卷积Transformer的时间序列异常检测方法及系统 (中国科学院大学)_第4页
CN119538135A 一种基于频率增强卷积Transformer的时间序列异常检测方法及系统 (中国科学院大学)_第5页
已阅读5页,还剩47页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于频率增强卷积Transformer的时间一种基于频率增强卷积Transformer的时间序列多个不同核大小的堆叠1D卷积层的全卷积模块算时域和频域的一致性损失,计算逐点异常分22.如权利要求1所述基于频率增强卷积Transfor3.如权利要求1所述基于频率增强卷积Transfo(1)块间视图:考虑块间时间序列的嵌入模型采用自注意机制对输入序其中Upsampling(·)表示上采样函数,表示块间级扩展的注意力权3其中ρ是sigmoid激活函数,znex学代表基于块的transformer的嵌入式输出,力权重:4.如权利要求1所述基于频率增强卷积Transformer的时45.如权利要求1所述基于频率增强卷积Transfor6.如权利要求1所述基于频率增强卷积Transform7.一种基于如权利要求1_6所述基于频率增强卷积Transformer的时间序列异常检测5[0002]时间序列异常检测在水处理设备、航空航天和服务器等领域得到了广泛的应监测和识别金融数据的异常波动可以帮助减少不必要深度学习的时间序列异常检测方法被引入并取得了令人印象[0005]无监督学习方法可以自适应地学习复杂的表示,而无需劳动密集型的标签注用基于重建的无监督学习方法来重建正常实例的模式,而未能重建的实例则被视为异常。6法忽略了时间频域特性中的重要信息,频域特性作为独立于时域特性的另外一个重要分[0010]一种基于Transformer的多变量时间序列异常检测方法。该方法利用自注意力机[0011]针对现有技术存在的问题,本发明提供了一种基于频率增强卷积Transformer的[0012]本发明是这样实现的,一种基于频率增强卷积Transformer的时间序列异常检测7[0025](1)块间视图:考虑块间时间序列的嵌力权重:89[0067]本发明另一目的在于提供一种基于频率增强卷积Transformer的时间序列异常检[0080](3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难提供了新的解决方案。出了一种基于频率增强卷积Transformer的检测方法。现有技术在处理复杂时间序列数据[0088]1.提高异常检测准确性:基于频率增强的卷积Tra[0092]图1是本发明实施例提供的基于频率增强卷积Transformer的时间序列异常检测[0094]图3是本发明实施例提供的基于频率增强卷积Transformer的时间序列异常检测[0098]图7是本发明实施例提供的嵌入式特征大小、多头注意力数量和模型层数的参数[0109]本发明实施例提供了一种基于频率增强卷积Transformer的时间序列异常检测方基于Transformer的框架对每个时间戳进行归一化,标准化某个时间戳处变量之间的相互成不同的小块,这是一种基于自注意力机制的Transformer架构简化依赖表示学习的有效xeRTxd可以被分块为[0120]xeRX。znex学代表基于块的transformer的嵌入式输力权重:更高的要求。卷积网络不仅能捕获全局特征,而且对局部特征的重建具有敏感能力。Transformer和卷积网络(如Conformer)的结合在许多领域(如3D对象检测)显示出巨大的检测异常模式,所述S3,考虑单一对比视图下基于块的Transforme[0151]zn'和zp',分别用于块间对比视图和块内对比视图。[0152]尽管Transformer架构可以动态评估时间序列中的自相关性,但它无法捕获自相行建模,利用Kullback_Leibler(KL)散度来评估来自两种对比观点的表征之间的一致性。利用超参数阈值ρ来识别该点是否为异常。如果计算出的分数超过定义的阈值ρ,则输出[0190]MSL:美国国家航空航天局的火星科学实验室(SML)数据集显示了火星探测器中传33323一个变分自动编码器来提取正常时间序列中的特征,并在所有超过0.8的数据集上使用F1[0225]本发明在大多数基线中表现最佳,这表明本发明的有效性。本发明分别使MSL、发明能够基于Transformer架构提取序列的代表性依赖关系,并使用来自两个对比视图的[1,3]表示我们分别根据块大小为1和块大小为3分割时间序列,然后模型学习每个块大小[0244]时间窗口大小是时间序列异常检测中一个重要的超参数,它决定了实例的长[0248]从观察结果来看,在大多数数据集上,本发明进行训练所需的时间比TranAD和发明的训练比DAGMM和VAE花费更多的时间。第一个原因是DAGMM是一种没有太多参数需要

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论