基于递归小波概率神经网络的非平稳时间序列异常检测
机器学习
2025-05-19 v1 信号处理
摘要
本文提出一种无监督的递归小波概率神经网络（RWPNN），旨在通过建模时序特征来检测非平稳环境中的异常值。该新型框架由两个组成部分构成：一个捕获潜在空间中时序特征的堆叠递归编码器-解码器（SREnc-Dec）模块，以及能够对潜在空间进行特征描述的多感受野小波概率网络（MRWPN），后者创建一套集合概率模型。该构式将标准小波概率网络扩展为小波深度概率网络，能够处理更高的数据维度。MRWPN 模块能够适应不同数据集中数据变化率，无需强加分布假设，从而在非平稳环境下的时间序列异常检测（TSAD）任务中实现更稳健、更精确的检测。我们在来自多个领域的 45 个真实时间序列数据集上进行评估，验证了 RWPNN 在 TSAD 任务中的性能，并展示了其对异常事件提供早期警报的能力。
引用
@article{arxiv.2505.11321,
title = {Anomaly Detection for Non-stationary Time Series using Recurrent Wavelet Probabilistic Neural Network},
author = {Pu Yang and J. A. Barria},
journal= {arXiv preprint arXiv:2505.11321},
year = {2025}
}