基于核卷积神经网络的时间序列异常检测与分类
机器学习
2021-07-01 v1 机器学习
摘要
近来，随着深度学习的发展，端到端神经网络架构已越来越多地应用于状态监测信号。它们已在故障检测和分类中展现出优越性能，特别是使用卷积神经网络。更近一些，将卷积概念扩展为核卷积（kervolution）概念的方法已被提出，并在图像分类任务中取得了一些有前景的结果。在本文中，我们探索了核卷积神经网络应用于时间序列数据的潜力。我们证明使用卷积层与核卷积层的混合可改善模型性能。该混合模型首先作为基准数据集应用于时间序列中的分类任务。随后，所提出的混合架构被用于检测直升机加速度计记录的时间序列数据中的异常。我们提出一种基于残差的时间序列自动编码器异常检测方法。我们证明在编码器中混合核卷积与卷积层对输入数据的变化更敏感，并能够以更好的方式检测异常时间序列。
引用
@article{arxiv.2005.07078,
title = {Anomaly Detection And Classification In Time Series With Kervolutional Neural Networks},
author = {Oliver Ammann and Gabriel Michau and Olga Fink},
journal= {arXiv preprint arXiv:2005.07078},
year = {2021}
}
备注
9 pages, 1 figure, 4 tables