孤立森林的表现不如One-Class SVM, 原因可能是训练数据只包含正常数据,而测试数据包含大约 30% 的异常数据。 这表明当异常和正常数据的分布更接近时,孤立森林模型更适合。 使用LSTM 自编码器网络检测异常 LSTM 自编码器是一个变体,可以学习序列数据的压缩表示。 LSTM 自编码器将仅使用正常数据进行训练。 构建BiLSTM...
使用MATLAB 对传感器数据进行基于自动编码器的异常检测 该演示重点介绍了如何使用基于自动编码器的半监督机器学习技术来检测传感器数据中的异常(三缸泵的输出压力)。该演示还展示了如何通过自动代码生成将经过训练的自动编码器部署在嵌入式系统上。自动编码器的优点是可以训练它们用代表正常操作的数据检测异常,即您不需要来...
采用支持向量机、孤立森林和LSTM自编码器方法对机械状态进行异常检测,运行环境为MATLAB R2021B。数据集包含来自工业机器的三轴振动测量值, 在计划维护之前和维护之后采集数据。假定在定期维护后采集的数据代表机器的正常运行状况,维护前的数据代表正常或异常情况。每轴的数据存储在单独的列中,每个文件包含 7000 个测量值...