提出了基于标签辅助的自动编码器模型用于发现发电厂燃料消耗的异常,检测准确率为 97.20%,可以根据程度对异常进行分类,相较于已有模型较优。
Feb, 2023
该研究提出了一种基于多变量时间序列监控的 Wavelet 增强自编码器模型(WaveletAE),用于检测风力发电机组的失效,以实现在理解多尺度特征的过程中更好地识别风电机叶片积冰。实证研究表明,该模型比其他现有的时间序列异常检测方法更为出色。
Feb, 2019
本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析,通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析,针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究,并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。
Oct, 2022
创新的混合建模方法结合统计学和卷积自编码器,利用动态阈值(基于马氏距离和移动平均)检测实时智能计量系统中的异常,从而提供早期预警,以预防灾难并在经济上受益于组织和消费者。
Apr, 2024
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
基于 Transformer 自编码器的业务过程异常修正方法能够高效处理任意长度的事件序列,并且可以直接输出修正后的业务过程实例,从而适应各种场景,通过自监督学习将异常检测转化为分类问题,无需设置特定阈值,在确保高运行效率的同时,在异常检测准确性和异常修正结果方面优于以往方法。
研究聚焦于利用机器学习技术,使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况,并进一步通过对真实数据集的建模来验证该方法的有效性。
Mar, 2023
在线自适应异常检测利用转移学习,选择视觉上相似的训练图像,并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型,通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测,实验结果表明检测精度超过 0.975,优于现有的 ET-NET 方法。
Jun, 2024
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力,通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题,同时降低了深度学习模型设计和实现的复杂度。
Jul, 2023
通过利用自编码器学习的自适应噪声产生伪异常数据,以增强自编码器在异常检测中的判别能力。
May, 2024