按需维保的核心技术是异常状态检测,为了有效解决电梯状态的时序数据异常检测问题,提出了 LSTM ( Long Short-Term Memory Networks ,长短期记忆网络) 与 VAE( Variational Auto-Encoder,变分自编码器) 结合的模型 LSTM-VAE。 基于电梯门机开合与垂梯升降的加速度时序数据,使用长短期记忆网络对加速度数据进行编码并提取...
基于LSTM-VAE的多变量时序异常检测 - 哥廷根数学学派于20240922发布在抖音,已经收获了12个喜欢,来抖音,记录美好生活!
搭建具有卷积层的VAE-LSTM模型训练数据,并通过验证集数据对模型参数进行调整;模型训练完成后输出在测试集上检测出的异常.第三,对比了单一VAE模型和单一LSTM模型异常检测的效果,验证了VAE-LSTM混合模型的优势,提出了模型上线的部署和监测.按照VAE-LSTM混合模型的结构搭建单一VAE模型和单一LSTM模型并进行训练;对比三个模型...
为了检测出异常航迹数据从而提高航迹数据挖掘的精确性,将航迹异常检测转化为无监督学习问题,研究了基于VAE-LSTM的航迹异常检测算法.引入残差结构到LSTM中,建立残差门LSTM,通过将变分自编码器中的BP神经网络层替换为残差门LSTM层,实现对变分自编码器的改进,并构建了VAE-LSTM航迹异常检测模型.模型输入为航迹的速度,加速度...
基于VAE-LSTM的无人机飞行数据异常检测模型方法.首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证.实验结果表明,VAE-LSTM的精密度,检测率,...
基于VAE-LSTM的无人机飞行数据异常检测模型方法.首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证.实验结果表明,VAE-LSTM的精密度,检测率,...
一是,与传统回归模型和常见的异常检测模型进行对比实验,验证了所提出的模型具有良好异常检测准确性,在f1值指标上得到0.87,与对比方法最好的数据提升了0.07;二是,通过控制变量法进行消融实验,验证了本文模型组合方式,组合顺序的有效性以及模型的有效性.(3)海平面风速异常检测系统设计与实现.本文以LSTM-VAE模型为核心...