| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题的背景及研究的意义 | 第12-13页 |
| 1.2 现有的异常数据检测算法 | 第13-19页 |
| 1.2.1 基于统计的方法 | 第13页 |
| 1.2.2 基于距离的方法Distance-based Outlier Detection) | 第13-15页 |
| 1.2.3 基于密度的算法(Density-based Outlier Detection) | 第15页 |
| 1.2.4 基于簇的检测方法(Cluster-based Outlier Detection) | 第15-16页 |
| 1.2.5 基于角度的检测方法(Angle-based Outlier Detection) | 第16-17页 |
| 1.2.6 基于参考点的检测算法(Reference-based Outlier Detection) | 第17-18页 |
| 1.2.7 基于分辨率的检测方法(Resolution-based Outlier Detection) | 第18-19页 |
| 1.3 异常数据检测的发展趋势 | 第19页 |
| 1.4 本文的主要工作 | 第19-22页 |
| 第2章 过程控制系统异常数据的检测策略 | 第22-28页 |
| 2.1 过程控制系统的结构 | 第23-24页 |
| 2.2 过程控制系统异常数据的定义 | 第24-25页 |
| 2.3 过程控制系统异常数据的检测策略 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 过程数据模型的建立 | 第28-50页 |
| 3.1 过程控制系统中过程数据的特点 | 第28-29页 |
| 3.2 建模方法的选择 | 第29-30页 |
| 3.3 时间序列 | 第30-34页 |
| 3.3.1 时间序列的相关概念 | 第31-32页 |
| 3.3.2 ARIMA模型体系 | 第32-34页 |
| 3.4 ARMA模型的建立 | 第34-40页 |
| 3.4.1 模型的定阶 | 第34-37页 |
| 3.4.2 模型参数的估计 | 第37-40页 |
| 3.4.3 模型检验及优化 | 第40页 |
| 3.5 动态神经网络对时间序列的建模 | 第40-43页 |
| 3.5.1 动态神经网络结构 | 第41-42页 |
| 3.5.2 网络结构的选择 | 第42-43页 |
| 3.6 仿真实验 | 第43-47页 |
| 3.6.1 ARMA模型 | 第43-45页 |
| 3.6.2 动态神经网络模型 | 第45-47页 |
| 3.7 本章小结 | 第47-50页 |
| 第4章 基于小波分析的异常数据检测算法 | 第50-66页 |
| 4.1 小波分析用于异常检测的原理 | 第50-51页 |
| 4.2 小波分析的基础知识 | 第51-58页 |
| 4.2.1 小波函数 | 第51-54页 |
| 4.2.2 小波变换 | 第54-55页 |
| 4.2.3 多分辨率分析 | 第55-58页 |
| 4.3 小波分析对突变信号的检验 | 第58-61页 |
| 4.3.1 信号奇异性的数学描述—李氏指数 | 第58-59页 |
| 4.3.2 模极大值原理 | 第59-60页 |
| 4.3.3 小波分析用于检测突变信号的仿真实验 | 第60-61页 |
| 4.4 基于小波分析的过程控制系统异常数据检测 | 第61-62页 |
| 4.5 仿真实验 | 第62-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第5章 结合隐马尔可夫模型的小波分析 | 第66-76页 |
| 5.1 马尔可夫链 | 第66-67页 |
| 5.2 隐马尔可夫模型(HMM) | 第67-68页 |
| 5.2.1 模型的结构示意图及主要参数 | 第67-68页 |
| 5.3 HMM的三个基本问题及解法 | 第68-71页 |
| 5.3.1 评估问题及解法 | 第68-70页 |
| 5.3.2 解码问题及其算法 | 第70页 |
| 5.3.3 学习问题及其算法 | 第70-71页 |
| 5.4 连续隐马尔可夫模型(CHMM) | 第71-72页 |
| 5.5 结合HMM模型的小波分析 | 第72-73页 |
| 5.6 仿真实验 | 第73-74页 |
| 5.7 本章小结 | 第74-76页 |
| 第6章 结论与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |
