بررسی روش های تشخیص ناهنجاری در سری زمانی تک متغیره با استفاده از رویکردهای آماری و یادگیری عمیق
Publish place: Ninth National Conference on Applied Research in Electrical, Computer and Medical Engineering
Publish Year: 1400
Type: Conference paper
Language: Persian
View: 831
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ECMECONF09_013
Index date: 8 October 2021
بررسی روش های تشخیص ناهنجاری در سری زمانی تک متغیره با استفاده از رویکردهای آماری و یادگیری عمیق abstract
تشخیص ناهنجاری داده های سری زمانی یک زمینه تحقیقاتی مهم برای سالهای متوالی بوده است. اولین کارهای تحقیقاتی روی متدهای بررسی یا تشخیص ناهنجاری بر روی رویکردهای آماری تاکید و تمرکز داشتند. در سال های اخیر تعداد زیادی از الگوریتم های یادگیری ماشین برای تشخیص ناهنجاری و بی نظمی در سریهای زمانی معرفی شده اند. الگوریتمهای مطرح شده سعی در افزایش دقت تشخیص، بهبود و بهینه سازی در تشخیص ناهنجاریها دارند. روشهای سنتی تشخیص ناهنجاری که مبتنی بر فاصله و چگالی هستند، قادر به تشخیص ناهنجاری های دوره ای و فصلی نیستند و همین مشکل شکاف بزرگی در تشخیص ناهنجاری سریهای زمانی در عصر کنونی ایجاد میکند. این مقاله روشهای تشخیص ناهنجاری تک متغیره را با استفاده از روشهای آماری، یادگیری ماشین، یادگیری عمیق مورد مطالعه و بررسی قرار میدهد. با تجزیه و تحلیل، صحت و درستی هر روش و همچنین بررسی زمان محاسباتی الگوریتم ها، میتوان بصیرت و نگرش کامل و جامعی در مورد عملکرد و اجرای این رویکردهای تشخیص ناهنجاریها به دست آورد. در پایان این مقاله مشخص خواهد شد، کدام روش و متد برای چه نوع داده هایی مناسب میباشد.
بررسی روش های تشخیص ناهنجاری در سری زمانی تک متغیره با استفاده از رویکردهای آماری و یادگیری عمیق Keywords:
بررسی روش های تشخیص ناهنجاری در سری زمانی تک متغیره با استفاده از رویکردهای آماری و یادگیری عمیق authors
نازنین معارفی
دانشجوی دکترای تخصصی هوش مصنوعی دانشگاه آزاد اسلامی واحد تهران جنوب
اصغر درویشی
استادیار و عضو هیئت علمی گروه مهندسی نرم افزار دانشگاه آزاد اسلامی واحد تهران جنوب