| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国内外光变曲线研究 | 第9-10页 |
| 1.2.2 国内外基于神经网络的异常检测研究 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第2章 相关理论技术研究 | 第14-24页 |
| 2.1 时间序列异常类型 | 第14-16页 |
| 2.1.1 点异常 | 第14-15页 |
| 2.1.2 上下文异常 | 第15-16页 |
| 2.1.3 集合异常 | 第16页 |
| 2.2 统计异常检测方法 | 第16-18页 |
| 2.2.1 高斯分布 | 第17-18页 |
| 2.2.2 格拉布斯准则 | 第18页 |
| 2.3 神经网络 | 第18-22页 |
| 2.3.1 人工神经网络 | 第18-19页 |
| 2.3.2 循环神经网络 | 第19-21页 |
| 2.3.3 LSTM神经网络 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 数据集的介绍与处理 | 第24-34页 |
| 3.1 光变曲线数据库 | 第24-27页 |
| 3.1.1 光变曲线生成过程 | 第25-26页 |
| 3.1.2 交叉认证 | 第26-27页 |
| 3.2 数据预处理 | 第27-32页 |
| 3.2.1 相关特征值选取 | 第28页 |
| 3.2.2 数据集分析 | 第28-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第4章 基于LSTM神经网络的离线学习异常检测算法 | 第34-46页 |
| 4.1 任务需求与算法描述 | 第34-35页 |
| 4.2 离线学习神经网络模型设计 | 第35-40页 |
| 4.2.1 差分处理 | 第35-36页 |
| 4.2.2 数据归一化 | 第36页 |
| 4.2.3 离线学习网络模型的训练 | 第36-38页 |
| 4.2.4 影响神经网络模型训练性能的因素 | 第38页 |
| 4.2.5 LSTM神经网络模型训练过程 | 第38-40页 |
| 4.3 LSTM网络模型评估 | 第40-41页 |
| 4.4 异常检测算法 | 第41页 |
| 4.5 实验结果展示与分析 | 第41-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 基于LSTM神经网络的在线学习异常检测算法 | 第46-60页 |
| 5.1 算法的描述 | 第46-47页 |
| 5.2 在线学习神经网络模型设计 | 第47-49页 |
| 5.2.1 离群点与异变点的影响 | 第47-48页 |
| 5.2.2 在线学习网络模型的训练 | 第48-49页 |
| 5.3 离群点与异变点处理 | 第49-52页 |
| 5.3.1 权重梯度的在线学习 | 第50页 |
| 5.3.2 怀疑比率 | 第50-51页 |
| 5.3.3 误差偏置 | 第51-52页 |
| 5.4 异常检测算法 | 第52-53页 |
| 5.5 实验结果展示与分析 | 第53-58页 |
| 5.6 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 致谢 | 第68页 |