控制与决策

作者：徐天慧,郭强,张彩明

单位：山东财经大学 计算机科学与技术学院,济南 250014hspace{3pt},,山东财经大学 计算机科学与技术学院,济南 250014hspace{3pt};山东财经大学 山东省数字媒体技术重点实验室,济南 250014hspace{3pt};山东省未来智能金融工程实验室,山东 烟台 264005,,山东财经大学 山东省数字媒体技术重点实验室,济南 250014hspace{3pt};山东省未来智能金融工程实验室,山东 烟台 264005;山东大学 软件学院,济南 250101,

关键词：深度学习;时序数据;异常检测;自编码器;数据重构;编码器;解码器

基金：国家自然科学基金项目(61873145,61802229)；山东省自然科学省属高校优秀青年人才联合基金项目 (ZR2017JL029)；山东省高等学校青创科技支持计划项目(2019KJN045).

基于深度学习的时序数据异常检测模型大多采用循环神经网络或长短期记忆网络捕捉时序依赖性,并利用自编码器重构数据,进而实现时序数据的异常检测.虽然此类检测模型实现了较高的异常检测率,但它们的网络结构复杂,导致模型的计算效率较低.为提高模型的计算效率,提出一种基于串行自编码器的异常检测模型SAE-AD.该模型仅包含两个结构简单的自编码器(AE_1$和AE_2$),其所含参数较少,且训练目标较为简单,从而加快了模型的计算效率.通过将自编码器AE_1$和AE_2$串行拼接,即AE_1$的输出作为AE_2$的输入,可有效提高AE_2$的解码器对正常数据特征的解码能力,有助于提升模型的检测准确率.实验结果表明,相较于其他新近提出的异常检测模型,SAE-AD模型具有更高的精确率、召回率和$F_1$值.

来源：2023年第12期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第12期