论文部分内容阅读
随着人工神经网络研究的进展,一种可以处理时间序列的神经网络结构,即循环神经网络(Recurrent Neural Networks,RNNs),逐渐流行起来,它为处理时间序列数据带来了新的思路。本文在目前已有的研究成果的基础上,重点针对时间序列数据异常检测及预测应用进行研究。设计了一种低资源消耗的异常检测机制和金融时间序列预测模型,同时对异常检测模型的准确率和稳定性等方面进行优化,主要工作包括:1.首先介绍课题的研究背景,包括课题的由来与主要研究内容,并且给出了本文的创新点。然后描述了循环神经网络的基本知识和基本工作原理。最后总结了时间序列数据异常检测及预测应用目前存在的问题,并提出了相应的解决方案。2.采用长短时记忆(Long Short-Term Memory,LSTM)循环神经网络对时间序列质谱数据进行分析,并能够准确检测出物质类别。由于LSTM对时间序列数据具有极好的理解能力,因此获得较高检测率。此外,通过结合差分运算和ReliefF算法实现对网络尺寸减少了28%,训练速度提高了35%。基于LSTM的物质检测系统可以实现高检测率和低计算资源消耗之间的平衡,这对于具有约束计算资源的设备是有益的,例如低成本的嵌入式硬件系统。3.在继承循环神经网络对时间序列优秀处理能力的前提下,门控循环单元(Gated Recurrent Unit,GRU)神经网络克服了对时间序列的长期依赖问题。将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低计算开销。4.利用集成学习(Ensemble Learning)对所设计的低资源消耗的异常检测模型的性能进行优化。同时使用差分进化算法(Differential Evolution,DE)动态分配集成学习基分类器的权重。实验结果表明集成学习结合差分进化算法可以有效地提高被优化模型的准确率和稳定性。