第 1 章 绪 论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 时序数据分析研究现状
1.2.2异常检测研究现状
1.3 本文工作
1.4 本文组织结构
第 2 章 相关技术研究与分析
2.1 引言
2.2 时序数据
2.2.1 时间序列数据的定义及特征
2.2.2 时间序列数据的成分
2.2.3 时间序列数据的分类
2.2.4 预测时间序列数据的回归评估指标
2.3 神经网络
2.4 LSTM 神经网络
2.5 注意力机制
2.5.1 注意力机制综述
2.5.2 注意力机制原理
2.5.3 注意力机制应用场景
2.6 深度学习平台 TensorFlow 和 Scikit learn 库的介绍
2.6.1 TensorFlow 平台介绍
2.6.2 Scikit learn 库的介绍
2.7 本章小结
第 3 章 基于 Enhanced LSTM 的注意力预测模型
3.1 引言
3.2 问题描述
3.3面向物联网时序数据分析与处理的增强型LSTM框架
3.4 基于 Enhanced LSTM 的注意力预测模型介绍
3.4.1 Enhanced LSTM 结构
3.4.2 预测模型详细过程描述
3.4.3算法伪代码实现
3.5实验环境搭建与结果分析
3.5.1 实验环境
3.5.2 对比实验模型设置
3.5.3 数据集与预处理
3.5.4 评估指标
3.5.5 实验结果与分析
3.6 本章小结
第 4 章 基于多元高斯分布的投票法异常检测研究
4.1 引言
4.2 问题描述
4.3 异常检测模型结构
4.4 异常检测模型的具体实现
4.4.1 基于 Enhanced LSTM 的注意力预测模型获得残差数据集
4.4.2 利用残差数据集构建多元高斯分布检测模型
4.4.3 对不同预测结果进行投票
4.4.4 算法伪代码实现
4.5 数据集的划分
4.6 实验环境搭建与结果分析
4.6.1 实验环境
4.6.2 对比实验模型设置
4.6.3 数据集描述
4.6.4 评估指标
4.6.5 实验结果与分析
4.7 本章小结
结 论
参考文献
附录 A 攻读学位期间所发表的学术论文目录
附录 B 攻读学位期间所参与的研究项目
致谢
湖南大学;