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!
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...
2023中一篇利用BERT解决时间序列异常检测的工作。核心是利用BERT模型结合时间序列异常样本生成做预训练，让...
数据压缩:VAE可以将输入数据映射到低维潜在空间中,实现数据的压缩和降维。 异常检测:通过比较输入数据与重构输出之间的差异,可以用VAE进行异常检测。 VAE在许多领域都有广泛的应用,包括图像生成、语音合成、自然语言处理等。在图像生成方面,VAE可以生成逼真的图像样本,用于艺术创作、游戏设计等。在语音合成方面,VAE可以学...
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...
重要性加权自动编码器的性能相对于变分自编码器(Variational Autoencoder,VAE)来说可能会差一些。VAE是一种生成模型,通过学习数据的潜在分布来生成新的样本。与VAE相比,重要性加权自动编码器更注重于学习数据的重要特征,而不是生成新的样本。 尽管重要性加权自动编码器的性能可能相对较差,但它仍然具有一些优势和应用场景...
2023中一篇利用BERT解决时间序列异常检测的工作。核心是利用BERT模型结合时间序列异常样本生成做预训练，让...