machine-learning - 如何在 LSTM-Autoencoder 或其他异常检测方法中混合连续和离散的分类信号?
问题描述
我想检测系统中的异常情况,该系统包括连续数据以及一些开关和其他提供分类输入的来源。就像是:
- 传感器信号(速度、角度等)
- 控制器输出(力等)
- 具有附加逻辑信息的输入开关(例如,当开关 1 处于状态 5 时,速度信号 123 必须为零,否则它是异常情况,或者只有在开关 2 为 ON 时控制器 xyz 才应该处于活动状态)
当然,可以在将连续信号输入自动编码器之前检查所有这些基于逻辑的条件。但是有多个开关,每个开关最多有 128 个条件。
鉴于我有足够的正常操作训练数据,因此网络可以学习这些连贯性和依赖性,这样的网络会是什么样子?
我看到的问题是,在连续信号中,输入 49 与 48 或 50 差别不大。但如果每个值代表一个状态,则状态 49 可能与 48 或 50 完全不同。所以网络会有了解一个完全不同的行为可能是正确的,这取决于一个信号的输入值的微小变化。
我很感激你的任何意见,还有论文或链接。
解决方案
推荐阅读
- python-3.x - 如何使用 dask 和并行处理加载大 csv 文件,然后转换回 pandas
- npm - npm install aerospike 不适用于 Apple M1 芯片
- google-chrome - Chrome/Edge 中的 Windows 身份验证出现问题 HTTP 请求未经授权...从服务器收到的身份验证标头是 Nogotitate、NTLM
- javascript - 打印窗口冻结正常的网站窗口
- sql-server - 特定组的 SQL Server 插入语句需要 9 分钟,但仅有时
- google-chrome - 如何在 chrome/electron 窗口未激活屏幕共享时强制渲染视频标签内容?
- node.js - 阻止 cookie 会导致会话停止工作吗?
- c# - 字段的封装问题
- java - 将 Java 应用程序部署到 Elastic Beanstalk 时出错 - 错误:打开 /var/pids/web.pid:没有这样的文件或目录
- c# - 授权中间件与过滤器的关系 Asp.net core