基于统计方法的异常数据检测及其修复
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 异常数据概述 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究现状 | 第10-13页 |
| 1.4 全文的主要内容和安排 | 第13-15页 |
| 第二章 基于小波分析的异常数据检测算法 | 第15-25页 |
| 2.1 小波变换的发展背景 | 第15-18页 |
| 2.1.1 连续小波变换 | 第16页 |
| 2.1.2 离散小波变换 | 第16-17页 |
| 2.1.3 二进制小波变换 | 第17-18页 |
| 2.2 基于小波变换的异常数据检测算法 | 第18-22页 |
| 2.2.1 小波变换方法用于异常数据检测的原理 | 第18-19页 |
| 2.2.2 小波变换系数求取算法 | 第19-22页 |
| 2.3 仿真分析 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于主元分析法的异常数据检测 | 第25-39页 |
| 3.1 主元分析法的原理 | 第25-28页 |
| 3.1.1 主元分析理论概述 | 第25-26页 |
| 3.1.2 主元模型以及主元算法的简介 | 第26-28页 |
| 3.2 基于PCA的异常数据检测算法建模 | 第28-31页 |
| 3.2.1 有关主元分析法的主要检验统计量的说明 | 第28-29页 |
| 3.2.2 基于PCA的异常数据检测 | 第29-30页 |
| 3.2.3 主元个数的选取 | 第30-31页 |
| 3.3 传统的基于PCA的异常数据检测 | 第31-33页 |
| 3.4 基于Q统计量分离的改进算法的步骤 | 第33-34页 |
| 3.5 仿真分析 | 第34-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 传统的异常数据修复方法 | 第39-50页 |
| 4.1 平均值法 | 第39页 |
| 4.2 EM算法 | 第39-42页 |
| 4.2.1 EM算法简介 | 第39-40页 |
| 4.2.2 EM算法流程 | 第40-42页 |
| 4.3 BP神经算法 | 第42-44页 |
| 4.3.1 BP神经算法简介 | 第42-43页 |
| 4.3.2 BP神经算法流程 | 第43-44页 |
| 4.4 传统填补修复方法的仿真结果分析 | 第44-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于深度学习的异常数据预测修复方法 | 第50-66页 |
| 5.1 深度学习的基本概念 | 第50页 |
| 5.2 玻尔兹曼机 | 第50-52页 |
| 5.3 深度置信网络 | 第52-55页 |
| 5.4 基于DBN的异常数据的预测修复方法 | 第55-60页 |
| 5.4.1 基于深度学习的异常数据预测修复的模型 | 第55-56页 |
| 5.4.2 输入层节点数的确定 | 第56-58页 |
| 5.4.3 各个隐含层节点数的确定 | 第58-60页 |
| 5.5 基于时间序列的数据预测模型 | 第60-61页 |
| 5.6 仿真分析 | 第61-64页 |
| 5.7 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71页 |
