面向物联网时间序列数据深度学习的LSTM方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 统计学习方法 | 第14-15页 |
| 1.2.2 传统机器学习方法 | 第15-16页 |
| 1.2.3 前馈神经网络法 | 第16-17页 |
| 1.2.4 循环神经网络法 | 第17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第2章 物联网时序数据及相关技术介绍 | 第19-38页 |
| 2.1 引言 | 第19页 |
| 2.2 物联网概述 | 第19-21页 |
| 2.2.1 物联网的基本架构 | 第19-20页 |
| 2.2.2 物联网时序数据的特征 | 第20-21页 |
| 2.3 物联网时序数据预处理 | 第21-28页 |
| 2.3.1 数据清洗 | 第21-24页 |
| 2.3.2 数据变换 | 第24-28页 |
| 2.3.3 构建数据集 | 第28页 |
| 2.4 前馈神经网络模型 | 第28-34页 |
| 2.4.1 神经网络的结构 | 第29-30页 |
| 2.4.2 神经网络的计算 | 第30-34页 |
| 2.5 循环神经网络模型 | 第34-37页 |
| 2.5.1 循环神经网络概述 | 第34-35页 |
| 2.5.2 循环神经网络的结构 | 第35-36页 |
| 2.5.3 循环神经网络的计算 | 第36-37页 |
| 2.6 小结 | 第37-38页 |
| 第3章 基于LSTM和多特征融合的时序预测 | 第38-55页 |
| 3.1 引言 | 第38页 |
| 3.2 LSTM模型 | 第38-41页 |
| 3.2.1 LSTM模型概述 | 第38页 |
| 3.2.2 LSTM模型的原理结构 | 第38-41页 |
| 3.3 LSTM和多特征融合的物联网时序预测 | 第41-45页 |
| 3.3.1 物联网时序预测模型架构 | 第41-42页 |
| 3.3.2 物联网时序数据模型训练 | 第42-45页 |
| 3.4 物联网时序数据预测模型的实验评估 | 第45-54页 |
| 3.4.1 实验环境 | 第45-46页 |
| 3.4.2 实验设置 | 第46-47页 |
| 3.4.3 数据集描述 | 第47-48页 |
| 3.4.4 评估指标 | 第48-49页 |
| 3.4.5 实验结果与分析 | 第49-54页 |
| 3.5 小结 | 第54-55页 |
| 第4章 基于LSTM和高斯朴素贝叶斯异常研究 | 第55-65页 |
| 4.1 引言 | 第55页 |
| 4.2 异常检测模型的总体架构 | 第55-56页 |
| 4.3 异常检测模型的设计 | 第56-59页 |
| 4.3.1 产出残差的LSTM预测模型 | 第56页 |
| 4.3.2 残差数据集构建高斯朴素贝叶斯 | 第56-59页 |
| 4.4 异常检测模型实验评估 | 第59-64页 |
| 4.4.1 实验环境 | 第59-60页 |
| 4.4.2 实验设置 | 第60页 |
| 4.4.3 数据集描述 | 第60-61页 |
| 4.4.4 评估指标 | 第61-62页 |
| 4.4.5 实验结果与分析 | 第62-64页 |
| 4.5 小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 附录A 攻读学位期间发表的学术论文 | 第73-74页 |
| 附录B 攻读学位期间所参与的研究项目 | 第74页 |
