基于GWAC天文光变曲线的异常检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究内容与贡献 | 第11-13页 |
| 1.4 本文的组织结构 | 第13-16页 |
| 第2章 时间序列与异常检测相关理论与技术 | 第16-26页 |
| 2.1 时间序列 | 第16-18页 |
| 2.1.1 时间序列基本原理 | 第17页 |
| 2.1.2 时间序列建模基本步骤 | 第17-18页 |
| 2.2 时间序列常用模型 | 第18-21页 |
| 2.2.1 ARMA模型 | 第18页 |
| 2.2.2 ARCH、GARCH模型 | 第18-19页 |
| 2.2.3 神经网络 | 第19-21页 |
| 2.3 异常检测 | 第21-25页 |
| 2.3.1 应用场景与前景 | 第22页 |
| 2.3.2 异常检测相关技术 | 第22-24页 |
| 2.3.3 异常值的处理 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 数据预处理 | 第26-36页 |
| 3.1 光变曲线的产生 | 第26-29页 |
| 3.1.1 GWAC的科学目标 | 第28-29页 |
| 3.2 GWAC数据集 | 第29-31页 |
| 3.2.1 数据构成 | 第29页 |
| 3.2.2 数据预处理 | 第29-31页 |
| 3.3 ADF平稳性检验 | 第31-35页 |
| 3.3.1 数据的平稳性 | 第31页 |
| 3.3.2 数据平稳性检验 | 第31-34页 |
| 3.3.3 非平稳数据处理 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于ARIMA的预测模型构建 | 第36-44页 |
| 4.1 ARIMA模型构建 | 第36-37页 |
| 4.1.1 ARIMA模型原理 | 第36-37页 |
| 4.1.2 ARIMA模型预测建模流程 | 第37页 |
| 4.2 基于信息准则的ARIMA模型参数选择 | 第37-39页 |
| 4.2.1 信息准则 | 第37页 |
| 4.2.2 常见的信息准则方法 | 第37-39页 |
| 4.2.3 基于信息准则的ARIMA模型 | 第39页 |
| 4.3 预测模型的可扩展性分析 | 第39-42页 |
| 4.3.1 模型并行化 | 第39-40页 |
| 4.3.2 选取最佳的并行方式 | 第40-41页 |
| 4.3.3 基于多进程的ARIMA模型 | 第41-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第5章 GWAC光变曲线的预警 | 第44-58页 |
| 5.1 光变曲线的预测 | 第44-48页 |
| 5.1.1 确定预测窗口长度 | 第44-45页 |
| 5.1.2 光变曲线预测结果 | 第45-46页 |
| 5.1.3 其他类型曲线预测结果比较 | 第46-48页 |
| 5.2 光变曲线的预警 | 第48-51页 |
| 5.2.1 基于格拉布斯准则的异常检测 | 第48-50页 |
| 5.2.2 预警结果 | 第50-51页 |
| 5.3 基于模拟异常的模型验证 | 第51-56页 |
| 5.3.1 模拟异常曲线 | 第51-54页 |
| 5.3.2 实验结果 | 第54-56页 |
| 5.4 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 致谢 | 第66页 |
