CN111866128B - 一种基于双lstm迭代学习的物联网数据流检测方法 - Google Patents
一种基于双lstm迭代学习的物联网数据流检测方法 Download PDFInfo
- Publication number
- CN111866128B CN111866128B CN202010697024.2A CN202010697024A CN111866128B CN 111866128 B CN111866128 B CN 111866128B CN 202010697024 A CN202010697024 A CN 202010697024A CN 111866128 B CN111866128 B CN 111866128B
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- training sample
- vector
- lstm model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 70
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于双LSTM迭代学习的物联网数据流检测方法,该方法将一般的数据流向量化,方便物联网设备的扩展,可基于时序对事件进行检测构建,得到更加准确的结果;利用双LSTM模型迭代学习,能够在实际应用中自我修正检测模型参数,同时减少检测模块的实时训练需求,提高实时性;利用衍生数据同步输入检测模块,生成多个判断子结果并统计获得最后结果,有效避免传感器节点突然出现异常而导致检测错误的情况,提高检测方法的稳定性和抗干扰性。
Description
技术领域:
本发明涉及人工智能、物联网数据检测技术,具体是指一种基于双LSTM迭代学习的物联网数据流检测方法。
背景技术:
随着网络通信技术的不断发展以及传感技术和智能设备的研究与更新,小到智能手环、智能电表,大到环境监测、工业生产线等等都在源源不断的产生海量的实时数据并发往云端。这些海量数据是社会和企业宝贵的财富,能够帮助企业实时监控业务或设备的运行情况,生成各种维度的报表,而且通过大数据分析和机器学习,对业务进行预测和预警,帮助社会或企业进行科学决策、节约成本并创造新的价值。
近年来,针对物联网的数据流检测有了一定发展,但也存在着许多难以解决的根本性问题,例如:物联网数据量过大,数据检测速度较慢;数据结构复杂、数据格式不统一,原本设定好的数据检测方法一旦遇到网络中接入新设备时,需要对检测方法进行大规模改动;较多方法对数据流的分析以点为主,不能考虑数据的时序对构建事件的影响;所采用的数据检测模型通常为单一模型,无法实时更新模型,检测准确性欠佳;直接对获取的数据进行检测,一旦某个传感器出现异常,产生的异常数据会造成整个数据流检测的干扰。
基于上述不足,本发明设计一种易扩展的、基于时序的物联网数据流检测方法,基于双长短期记忆网络(LSTM)模型来实现数据检测与实时更新模型,本案由此而生。
发明内容:
本发明公开一种基于双LSTM迭代学习的物联网数据流检测方法,将数据流向量化方便物联网设备的扩展,可基于时序对事件进行检测构建,得到更加准确的结果,同时利用双LSTM模型迭代学习,能够在实际应用中自我修正检测模型参数。
为了实现上述发明目的,本发明所采用的技术方案为:
一种基于双LSTM迭代学习的物联网数据流检测方法,内容包括:
步骤1:获取非异常数据流信息后进行向量化处理,得到数据向量;
步骤2:构建训练样本;
步骤3:构建结构相同的主LSTM模型和从LSTM模型,将训练样本输入从LSTM模型进行训练,从LSTM模型输出的模型参数传至主LSTM模型中,主LSTM模型负责数据流的检测;
步骤4:主LSTM模型从需要检测的数据流中获取数据,并判断是否出现扩展设备:若无扩展设备,则对获取数据进行向量化处理,得到数据向量δ0;若有扩展设备,则对获取数据进行向量化处理得到数据向量δ′0,数据向量δ′0含未扩展设备时的数据向量δ0以及扩展设备的数据向量σED,先屏蔽扩展设备数据向量σED,得到与扩展前长度一致的数据向量δ0;
步骤5:将数据向量δ0拆分成M段长度相等的向量片段,构建M组衍生向量,衍生向量生成方式为:每次任意取M-1段向量片段,按照原划分位置关系排列,位置空缺处填入训练数据同位置的均值;
步骤6:将M组衍生向量及数据向量δ0输入主LSTM模型中,主LSTM模型输出M+1个包括预测类型prei及预测类型对应的概率值Pi的子结果;计算细分事件的阈值概率若则输出预测类型prei,若则判断为异常事件无需进行细分;统计M+1个结果中出现次数最高的预测值作为最终的判断结果值preresult,并输出数据流的检测结果;
步骤7:将数据向量δ0和判断结果值preresult,或者将数据向量δ′0和判断结果值preresult组合形成新的训练样本,将新训练样本投入从LSTM模型中进行训练,训练后的更新参数传至主LSTM模型中。
进一步,所述步骤2中的训练样本是将非异常行为进行细分,按照X=(x1,x2,…,xn)进行标记,其中xi表示第i种细分事件对应的事件发生数,i=1,2,…,n。
进一步,所述步骤5中将数据向量拆分成10段,得到10组衍生向量δ1,δ2,…δ10;步骤6中主LSTM模型输出的子结果表示为results=(pre0,P0),(pre1,P1),…(pre10,P10),细分事件的阈值概率计算公式如下:
进一步,所述步骤7中先进行是否有新扩展设备的判断,若没有扩展设备,则将数据向量δ0和判断结果值preresult组合形成新的训练样本;若有新扩展设备,则将数据向量δ′0和判断结果值preresult组合形成新的训练样本,并记录扩展训练样本容量N;判断扩展训练样本容量N是否大于原有训练样本容量X,若大于则表明设备扩展已完成,不再认为此时有新设备接入,且将原训练样本容量更新为N;若不大于,则表明设备扩展未完成,继续认为此时有新设备接入,继续执行步骤4。
进一步,所述向量化处理内容如下:
1)网络初始化,获取传感器节点的数据;
2)判断是否为开关型数据,若“是”则将开启信号或高电平设置为1,将关闭信号或者低电平设置为0;若“否”则执行步骤3);
3)判断是否为脉冲型数据,若“是”则记录脉冲信号并换算成具体数字型数据;若“否”则执行步骤4);
4)判断是否为数字型数据,若“是”则直接记录数字型数据,若“否”则执行步骤5);
5)判断是否为模拟量型数据,若“是”则利用公式进行归一化计算,其中dmax和dmin为可预见的数值的最大、最小值,d为当前记录的模拟量数据,dnor为进行归一化后的模拟量数据;若“否”则认为数据类型出现错误,报告错误信息。
本发明所公开的数据流检测方法具有以下有益效果:
(1)本发明将物联网的数据流向量化,使得数据结构一致,格式统一,有效降低了在海量实时数据流中每组数据的复杂程度,能够加快检测方法的运作效率;同时,向量化的数据结构有利于在物联网络中添加新设备。
(2)本发明采用双LSTM模型作为检测功能的实现部分,在考虑时序对数据流构建具体事件作用的基础上,实现对物联网数据流实时检测和自我更新的功能。其中主LSTM模型负责实时检测数据,从LSTM模型可以从主LSTM模型中获得实时数据的判断结果并重新训练参数,并负责更新主LSTM的检测模型。这种双模型结构有效降低了主LSTM模型的实时训练需求,提高实时性,也提高了检测正确性。
(3)本发明采用数据向量拆分重组衍生向量的方式,衍生向量与数据向量有微小差异但整体相似,输入到主LSTM模型中生成多个判断子结果,并取统计值最大的结果作为最后的判断结果。这种方式可以有效防止某个传感器节点出现异常而影响整个数据流的现象出现,可以提高检测方法的抗干扰性和稳定性。
以下通过附图和具体实施方式对本发明做进一步阐述。
附图说明:
图1为本发明实施例中数据流检测方法流程图;
图2为本发明数据流检测方法中数据向量化规则的流程图;
图3为本发明数据流检测方法中双LSTM数据更新流程示意图;
图4为本发明数据流检测方法中数据向量衍生示意图。
具体实施方式:
本实施例公开一种基于双LSTM迭代学习的物联网数据流检测方法,如图1至图4所示,具体内容包括如下步骤:
步骤1:网络初始化,从已有的数据库或日志文件库中获取非异常数据流日志文件,然后按照流式数据向量化规则处理,得到数据向量;
步骤2:将非异常行为进行细分,按照X=(x1,x2,…,xn)进行标记,其中xi表示第i种细分事件对应的事件发生数,i=1,2,…,n,形成训练样本;
步骤3:构建结构相同的主LSTM模型和从LSTM模型,将训练样本输入从LSTM模型进行训练,从LSTM模型输出的模型参数传至主LSTM模型中,主LSTM模型负责数据流的检测;
步骤4:主LSTM模型从需要检测的数据流中获取数据,并判断是否出现扩展设备ED:若无扩展设备,则按照流式数据向量化规则处理得到数据向量δ0;若有扩展设备,则将获取的数据流按照流式数据向量化规则处理得到数据向量δ′0,δ′0=(δ0,σED),数据向量δ′0含未扩展设备时的数据向量δ0以及扩展设备的数据向量σED,先屏蔽扩展设备数据向量σED,得到与扩展前长度一致的数据向量δ0;
步骤5:将数据向量δ0拆分成M段(本实施例中M=10)长度相等的向量片段,构建M组衍生向量,衍生向量生成方式如图4所示:每次任意取M-1段向量片段,按照原划分位置关系排列,位置空缺处填入训练数据同位置的均值,由此得到10组衍生向量δ1,δ2,…δ10;
步骤6:将10组衍生向量及数据向量δ0输入主LSTM模型中,主LSTM模型输出11个子结果,子结果表示为:results=(pre0,P0),(pre1,P1),…(pre10,P10),其中prei表示预测类型,Pi表示预测类型对应的概率值,i=0,1,…10;
步骤7:再次进行是否有新扩展设备的判断:若没有扩展设备,则将数据向量δ0和判断结果值preresult组合形成新的训练样本,将新训练样本投入从LSTM模型中进行训练,训练后的更新参数传至主LSTM模型中;
若有新扩展设备,则将数据向量δ′0和判断结果值preresult组合形成新的训练样本,并记录扩展训练样本容量N,将新训练样本投入从LSTM模型中进行训练,训练后的更新参数传至主LSTM模型中;然后判断扩展训练样本容量N是否大于原有训练样本容量X,若大于则表明设备扩展已完成,不再认为此时有新设备接入,且将原训练样本容量更新为N;若不大于,则表明设备扩展未完成,继续认为此时有新设备接入,继续执行步骤4。
上述对数据流通过流式数据向量化规则进行向量化处理的内容具体如下:
1)网络初始化,获取传感器节点的数据;
2)判断是否为开关型数据,若“是”则将开启信号或高电平设置为1,将关闭信号或者低电平设置为0;若“否”则执行步骤3);
3)判断是否为脉冲型数据,若“是”则记录脉冲信号并换算成具体数字型数据;若“否”则执行步骤4);
4)判断是否为数字型数据,若“是”则直接记录数字型数据,若“否”则执行步骤5);
5)判断是否为模拟量型数据,若“是”则利用公式进行归一化计算,其中dmax和dmin为可预见的数值的最大、最小值,d为当前记录的模拟量数据,dnor为进行归一化后的模拟量数据;若“否”则认为数据类型出现错误,报告错误信息。
本发明将一般的数据流向量化,方便物联网设备的扩展,可基于时序对事件进行检测构建,得到更加准确的结果;利用双LSTM模型迭代学习,能够在实际应用中自我修正检测模型参数,同时减少检测模块的实时训练需求,提高实时性;利用衍生数据同步输入检测模块,生成多个判断子结果并统计获得最后结果,有效避免传感器节点突然出现异常而导致检测错误的情况,提高检测方法的稳定性、抗干扰性、准确率。
以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围中。
Claims (5)
1.一种基于双LSTM迭代学习的物联网数据流检测方法,其特征在于:内容包括:
步骤1:获取非异常数据流信息后进行向量化处理,得到数据向量;
步骤2:构建训练样本;
步骤3:构建结构相同的主LSTM模型和从LSTM模型,将训练样本输入从LSTM模型进行训练,从LSTM模型输出的模型参数传至主LSTM模型中,主LSTM模型负责数据流的检测;
步骤4:主LSTM模型从需要检测的数据流中获取数据,并判断是否出现扩展设备:若无扩展设备,则对获取数据进行向量化处理,得到数据向量δ0;若有扩展设备,则对获取数据进行向量化处理得到数据向量δ′0,数据向量δ′0含未扩展设备时的数据向量δ0以及扩展设备的数据向量σED,先屏蔽扩展设备数据向量σED,得到与扩展前长度一致的数据向量δ0;
步骤5:将数据向量δ0拆分成M段长度相等的向量片段,构建M组衍生向量,衍生向量生成方式为:每次任意取M-1段向量片段,按照原划分位置关系排列,位置空缺处填入训练数据同位置的均值;
步骤6:将M组衍生向量及数据向量δ0输入主LSTM模型中,主LSTM模型输出M+1个包括预测类型prei及预测类型对应的概率值Pi的子结果;计算细分事件的阈值概率若则输出预测类型prei,若则判断为异常事件无需进行细分;统计M+1个结果中出现次数最高的预测值作为最终的判断结果值preresult,并输出数据流的检测结果;
步骤7:将数据向量δ0和判断结果值preresult,或者将数据向量δ′0和判断结果值preresult组合形成新的训练样本,将新训练样本投入从LSTM模型中进行训练,训练后的更新参数传至主LSTM模型中。
2.根据权利要求1所述的一种基于双LSTM迭代学习的物联网数据流检测方法,其特征在于:所述步骤2中的训练样本是将非异常行为进行细分,按照X=(x1,x2,…,xn)进行标记,其中xi表示第i种细分事件对应的事件发生数,i=1,2,…,n。
4.根据权利要求3所述的一种基于双LSTM迭代学习的物联网数据流检测方法,其特征在于:所述步骤7中先进行是否有新扩展设备的判断,若没有扩展设备,则将数据向量δ0和判断结果值preresult组合形成新的训练样本;若有新扩展设备,则将数据向量δ′0和判断结果值preresult组合形成新的训练样本,并记录扩展训练样本容量N;判断扩展训练样本容量N是否大于原有训练样本容量X,若大于则表明设备扩展已完成,不再认为此时有新设备接入,且将原训练样本容量更新为N;若不大于,则表明设备扩展未完成,继续认为此时有新设备接入,继续执行步骤4。
5.根据权利要求1所述的一种基于双LSTM迭代学习的物联网数据流检测方法,其特征在于:所述向量化处理内容如下:
1)网络初始化,获取传感器节点的数据;
2)判断是否为开关型数据,若“是”则将开启信号或高电平设置为1,将关闭信号或者低电平设置为0;若“否”则执行步骤3);
3)判断是否为脉冲型数据,若“是”则记录脉冲信号并换算成具体数字型数据;若“否”则执行步骤4);
4)判断是否为数字型数据,若“是”则直接记录数字型数据,若“否”则执行步骤5);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697024.2A CN111866128B (zh) | 2020-07-20 | 2020-07-20 | 一种基于双lstm迭代学习的物联网数据流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697024.2A CN111866128B (zh) | 2020-07-20 | 2020-07-20 | 一种基于双lstm迭代学习的物联网数据流检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111866128A CN111866128A (zh) | 2020-10-30 |
CN111866128B true CN111866128B (zh) | 2022-06-03 |
Family
ID=73001074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697024.2A Active CN111866128B (zh) | 2020-07-20 | 2020-07-20 | 一种基于双lstm迭代学习的物联网数据流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111866128B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990598A (zh) * | 2021-03-31 | 2021-06-18 | 浙江禹贡信息科技有限公司 | 一种水库水位时间序列预测方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018191301A1 (en) * | 2017-04-12 | 2018-10-18 | Yodlee, Inc. | Neural networks for information extraction from transaction data |
WO2019060327A1 (en) * | 2017-09-20 | 2019-03-28 | University Of Utah Research Foundation | ONLINE DETECTION OF ANOMALIES IN A NEWSPAPER USING AUTOMATIC APPRENTICESHIP |
CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN111241744A (zh) * | 2020-01-07 | 2020-06-05 | 浙江大学 | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 |
-
2020
- 2020-07-20 CN CN202010697024.2A patent/CN111866128B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018191301A1 (en) * | 2017-04-12 | 2018-10-18 | Yodlee, Inc. | Neural networks for information extraction from transaction data |
WO2019060327A1 (en) * | 2017-09-20 | 2019-03-28 | University Of Utah Research Foundation | ONLINE DETECTION OF ANOMALIES IN A NEWSPAPER USING AUTOMATIC APPRENTICESHIP |
CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN111241744A (zh) * | 2020-01-07 | 2020-06-05 | 浙江大学 | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 |
Non-Patent Citations (3)
Title |
---|
DTA:Double LSTM with Temporal-wise Attention Network for Action Recognition;徐阳阳等;《IEEE》;20171216;全文 * |
基于深度迁移学习的业务流程实例剩余执行时间预测方法;刘彤等;《数据分析与知识发现》;20200325;全文 * |
基于迁移学习的个性化循环神经网络语言模型;徐萍等;《南京理工大学学报》;20180830(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111866128A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115412947B (zh) | 一种基于数字孪生与ai算法的故障仿真方法和系统 | |
CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
CN112818035B (zh) | 一种网络故障预测方法及终端设备及存储介质 | |
CN114399066A (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
US20240142922A1 (en) | Analysis method, analysis program and information processing device | |
CN108447475A (zh) | 一种基于电力调度系统的语音识别模型的建立方法 | |
CN114296975A (zh) | 一种分布式系统调用链和日志融合异常检测方法 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN117034123A (zh) | 健身器材的故障监控系统及其方法 | |
CN111866128B (zh) | 一种基于双lstm迭代学习的物联网数据流检测方法 | |
CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
CN113526282A (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN117312769A (zh) | 一种基于BiLSTM的物联网时序数据异常检测方法 | |
CN118037112A (zh) | 一种基于数据驱动的胎面质量预测模型构建方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN113657520A (zh) | 一种基于深度置信网络和长短时记忆网络的入侵检测方法 | |
CN113052302A (zh) | 基于循环神经网络的机器健康监控方法、装置及终端设备 | |
CN116170200A (zh) | 电力监控系统时间序列异常检测方法、系统、设备及存储介质 | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
CN115794548A (zh) | 日志异常的检测方法及装置 | |
CN115599842A (zh) | 一种基于神经网络方法的时间序列预测系统 | |
CN110650130B (zh) | 基于多分类GoogLeNet-LSTM模型的工控入侵检测方法 | |
CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |