原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
1342025，61（5）ComputerEngineeringandApplications计算机工程与应用
受限分布映射和伪异常校准引导下的时序异常检测
12，31+4
陈泽健，李佐勇，胡蓉，樊好义
1.福建理工大学计算机科学与数学学院，福州350118
2.闽江学院计算机与控制工程学院，福州350121
3.福建省信息处理与智能控制重点实验室，福州350121
4.郑州大学计算机与人工智能学院，郑州450001
+通信作者E-mail：896410521@
摘要：时间序列异常检测旨在识别与正常行为显著不同的稀有模式或偏差。现有的研究侧重于设计更先进的网
络架构或优化目标来尽可能准确地捕获数据的正常模式。然而，异常污染下的训练数据和异常信息的缺失会致使
传统方法学习到的正态决策边界产生偏差，从而导致次优级的检测性能。提出一种受限分布映射和伪异常校准引
导下的无监督异常检测方法。具体地，利用时间卷积网络提取输入数据特征。为了学习更精确的正态决策边界，从
两个方面优化正态表征学习过程：第一，提出一种受限分布映射方法，通过特征归一化将训练数据的未知分布映射
至高斯分布，并最小化正常数据与超球中心的单类距离，使数据在特征空间中更加紧凑；第二，提出一种伪异常校准
机制，利用数据扰动操作从原始数据生成多种类型的伪异常数据，并通过区分正常数据和伪异常数据向模型注入异
常知识，矫正决策边界。同时，通过最大化伪异常数据与超球中心的单类距离，扩大正常与异常数据之间的类可分
离性。在测试阶段，通过测量输入数据与超球中心的单类距离来检测异常。在5个真实数据集上进行的大量实验表
明，该方法实现了相比目前主流方法的更优性能，并且在不同程度的异常污染训练数据下具备更高的鲁棒性。
关键词：时间序列；异常检测；受限分布映射；伪异常校准
文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2309-0473
TimeSeriesAnomalyDetectionBasedonRestrictedDistributionMappingandPseudoAnomaly
Calibration
12,31+4
CHENZejian,LIZuoyong,HURong,FANHaoyi
1.CollegeofComputerScienceandMathematics,FujianUniversityofTechnology,Fuzhou350118,China
2.CollegeofComputerandControlEngineering,MinjiangUniversity,Fuzhou350121,China
3.FujianProvincialKeyLaboratoryofInformationProcessingandIntelligentControl,Fuzhou350121,China
4.SchoolofComputerandArtificialIntelligence,ZhengzhouUniversity,Zhengzhou450001,China
Abstract:Timeseriesanomalydetectionaimstoidentifyrarepatternsordeviationsthatsignificantlydifferfromnormal
behavior.Existingresearchfocusesondesigningmoreadvancednetworkarchitecturesoroptimizingobjectivestoaccu-
ratelycapturethenormalpatternsinthedata.However,trainingdatacontaminatedwithanomaliesandthelackofanoma-
lousinformationcanleadtobiasesinthenormaldecisionboundarylearnedbytraditiona
文档评论（0）