声明
摘要
第1章 绪论
1.1 课题的背景及研究的意义
1.2 现有的异常数据检测算法
1.2.1 基于统计的方法
1.2.2 基于距离的方法(Distance-based Outlier Detection)
1.2.3 基于密度的算法(Density-based Outlier Detection)
1.2.4 基于簇的检测方法(Cluster-based Outlier Detection)
1.2.5 基于角度的检测方法(Angle-based Outlier Detection)
1.2.6 基于参考点的检测算法(Reference-based Outlier Detection)
1.2.7 基于分辨率的检测方法(Resolution-based Outlier Detection)
1.3 异常数据检测的发展趋势
1.4 本文的主要工作
第2章 过程控制系统异常数据的检测策略
2.1 过程控制系统的结构
2.2 过程控制系统异常数据的定义
2.3 过程控制系统异常数据的检测策略
2.4 本章小结
第3章 过程数据模型的建立
3.1 过程控制系统中过程数据的特点
3.2 建模方法的选择
3.3 时间序列
3.3.1 时间序列的相关概念
3.3.2 ARIMA模型体系
3.4 ARMA模型的建立
3.4.1 模型的定阶
3.4.2 模型参数的估计
3.4.3 模型检验及优化
3.5 动态神经网络对时间序列的建模
3.5.1 动态神经网络结构
3.5.2 网络结构的选择
3.6 仿真实验
3.6.1 ARMA模型
3.6.2 动态神经网络模型
3.7 本章小结
第4章 基于小波分析的异常数据检测算法
4.1 小波分析用于异常检测的原理
4.2 小波分析的基础知识
4.2.1 小波函数
4.2.2 小波变换
4.2.3 多分辨率分析
4.3 小波分析对突变信号的检验
4.3.1 信号奇异性的数学描述—李氏指数
4.3.2 模极大值原理
4.3.3 小波分析用于检测突变信号的仿真实验
4.4 基于小波分析的过程控制系统异常数据检测
4.5 仿真实验
4.6 本章小结
第5章 结合隐马尔可夫模型的小波分析
5.1 马尔可夫链
5.2 隐马尔可夫模型(HMM)
5.2.1 模型的结构示意图及主要参数
5.3 HMM的三个基本问题及解法
5.3.1 评估问题及解法
5.3.2 解码问题及其算法
5.3.3 学习问题及其算法
5.4 连续隐马尔可夫模型(CHMM)
5.5 结合HMM模型的小波分析
5.6 仿真实验
5.7 本章小结
第6章 结论与展望
参考文献
致谢
东北大学;