基於自動編碼器-長短期記憶方法 在數據不平衡下的異常檢測;Anomaly Detection under Data Imbalance Based on the Autoencoder-LSTM Method

NCU Institutional Repository > 管理學院 > 工業管理研究所 > 博碩士論文 > Item 987654321/85655

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/85655

題名:	基於自動編碼器-長短期記憶方法在數據不平衡下的異常檢測;Anomaly Detection under Data Imbalance Based on the Autoencoder-LSTM Method
作者:	陳鈴云;Chen, Ling-Yun
貢獻者:	工業管理研究所
關鍵詞:	資料不平衡;自動編碼器;長短期記憶網路;異常檢測;Imbalance Data;Autoencoder;LSTM;Anomaly Detection
日期:	2021-07-19
上傳時間:	2021-12-07 11:11:55 (UTC+8)
出版者:	國立中央大學
摘要:	隨著智慧製造的發展，許多機器會安裝感測元件，來做異常監控。而現有的異常檢測方法有許多問題點，例如：大量的誤報、參數調整困難、需要具有的正常與異常標記數據集等等，其中最常見的問題之一為資料不平衡。由於異常是很少見的，因此，容易出現正常資料的數量遠遠大於異常資料的數量。這個問題對於異常檢測造成很大的影響，不僅會影響模型的訓練效果，連帶產生不準確的分析結果。時間序列性的資料指的是資料來源會隨著時間持續更新，例如：感測元件。另外，如果有大量數據，並且很難通過手動提取特徵空間來學習模式。透過深度學習模型將數據轉換為新的特徵空間來學習特徵空間，可以區分正常行為和異常行為。目前有許多研究發現使用無監督學習技術的自動編碼器。由於它具有通過卷積神經處理空間數據以檢測異常行為的能力，因此常被使用。不論是在圖像處理，分類問題和自然語言處理方面都有深度學習模型的研究。然而，在所研究領域中，用於發現異常的深度學習模型仍然是一個尚未探索的領域。面對處理資料不平衡之問題，本研究提出使用自動編碼器的pre-training概念。由於自動編碼器是一種無監督式學習的神經網路。因此，它在訓練模型的過程中，自動編碼器會試著找出最好的權重來使得資訊可以盡量完整還原回去。因此，透過編碼器與解碼器來重建時間序列。搭配長短期記憶網路能學習長序列數據的能力，使其適合於時間序列預測或異常檢測。經過訓練的基於自動編碼器-長短期記憶網路可以重建時間序列的數據，神經網絡可以有效地預測週期性的時間序列數據。因此，本研究的目標為使用自動編碼器-長短期記憶網路解決資料不平衡的問題，使得模型訓練結果表現能有效檢測出異常資料，並且提供解決資料不平衡分類問題的新角度。 ;With the development of smart manufacturing, many machines will be equipped with sensors to anomaly detection. However, anomaly detection has many problems, such as a large number of false positives, difficulty in parameter adjustment, required labeled normal and abnormal data, etc. One of the most common problems is data imbalance. This problem has a big impact on anomaly detection. Not only affecting the training of the model, but also inaccurate analysis results. Time-series data means data will continue updating, such as sensor. In addition, if there is a large amount of data, and it is difficult to learn the pattern by manually extracting the feature space. Through the deep learning model to transform the data into a new feature space to learn the feature space. There are many studies that have found autoencoder that use unsupervised learning techniques. Because it has the ability to process spatial data through convolutional nerves to detect abnormal behaviors. Deep learning apply in image, text and classification. However, in this research is still an unexplored field. This study proposes the concept of pre-training using autoencoder to dealing with data imbalance. Because autoencoder is an unsupervised learning neural network. Therefore, the autoencoder will try to find the best weight to training model. Therefore, the time series is reconstructed through the encoder and decoder. With the ability of long and LSTM to learn long-term data. It is suitable for time-series forecasting or anomaly detection. The trained Autoencoder-LSTM model can reconstruct time series data, and the neural network can effectively predict periodic time series data. Therefore, the goal of our research is using an autoencoder-long short-term memory network to solve the data imbalance. Let the model performance can effectively detect abnormal data and provide a new perspective to solve the data imbalance classification problem.
顯示於類別:	[工業管理研究所 ] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	132	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....