تشخيص ناهنجاري در داده‌هاي سري زماني تك‌متغيره با استفاده از مدل‌هاي انتشار

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

تشخيص ناهنجاري در داده‌هاي سري زماني از اهميت بالايي برخوردار است. ناهنجاري‌ها معمولاً نشان‌دهنده رخدادهاي غيرعادي هستند كه شناسايي آن‌ها مي‌تواند به بهبود عملكرد سيستم‌ها و جلوگيري از بروز مشكلات جدي كمك كند. توسعه روش‌هاي كارآمد براي شناسايي ناهنجاري‌ها، به يكي از زمينه‌هاي مهم پژوهشي تبديل شده است. تشخيص ناهنجاري‌ها در داده‌هاي سري‌ زماني با چالش‌هاي مختلفي همراه است. از جمله اين چالش‌ها مي‌توان به تعريف مبهم ناهنجاري‌ها، كمبود داده‌هاي برچسب‌دار و پيچيدگي همبستگي‌هاي زماني اشاره كرد. بسياري از روش‌هاي موجود، به‌ويژه روش‌هاي بدون ناظر، نمي‌توانند به خوبي اين الگوهاي پيچيده را شناسايي كنند و اغلب نرخ بالاي مثبت كاذب مواجه هستند. در سال‌هاي اخير، مدل‌هاي انتشار به شدت مورد توجه محققان قرار گرفته‌اند و در بسياري از مسائل يادگيري ماشين عملكرد بسيار موفقي از خود نشان داده‌اند. در اين پايان‌نامه، روشي بدون ناظر براي تشخيص ناهنجاري در داده‌هاي سري زماني تك‌متغيره با استفاده از مدل‌هاي انتشار ارائه شده است. اين روش با بهره‌گيري از ساختار منحصربه‌فرد مدل‌هاي انتشار و ويژگي‌هاي خاص سري‌هاي زماني تك‌متغيره، قادر است ناهنجاري‌ها را به‌طور مؤثري شناسايي كند. در اين پايان‌نامه، به شكلي جديدي از مدل‌هاي انتشار استفاده شده است كه در آن مرحله اضافه كردن نويز در فرآيند بازسازي حذف شده است. علاوه بر اين، روشي جديد براي هرس بازه‌هاي ناهنجاري معرفي شده است. نتايج تجربي نشان مي‌دهند كه اين روش نسبت به روش ARIMA، بهبود 37 درصدي و نسبت به روش Tadgan، بهبود 11 درصدي در معيار F1 به همراه داشته است.

233023

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان