基于 LSTM 的非线性动力系统异常检测
信号处理
2020-06-08 v1 机器学习
摘要
非线性动力系统的异常检测在保障系统稳定性方面起着重要作用。然而，它通常较为复杂，且不得不借助大规模仿真来求解，这需要大量的计算资源。本文中，我们提出了一种基于长短期记忆（Long Short-Term Memory, LSTM）的非线性动力系统异常检测新方案，以捕捉时间序列的复杂时态变化并进行多步预测。具体而言，我们首先给出了基于 LSTM 的非线性动力系统异常检测框架，包括数据预处理、多步预测与异常检测。根据预测需求，在多步预测中探讨了两类训练模式，其中壁面剪应力数据集中的样本通过自适应滑动窗口采集。基于多步预测结果，提出了一种带自适应参数的局部平均（Local Average with Adaptive Parameters, LAAP）算法，以提取时间序列的局部数值特征并估计即将发生的异常。实验结果表明，我们所提出的多步预测方法在壁面剪应力数据集上可比传统方法取得更高的预测精度，且 LAAP 算法在异常检测任务中优于基于绝对值的方法。
引用
@article{arxiv.2006.03193,
title = {LSTM-based Anomaly Detection for Non-linear Dynamical System},
author = {Yue Tan and Chunjing Hu and Kuan Zhang and Kan Zheng and Ethan A. Davis and Jae Sung Park},
journal= {arXiv preprint arXiv:2006.03193},
year = {2020}
}
备注
8 pages, 6 figures