抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
時系列異常検出は,Prognostic and Health Management(PHM)の重要で基本的なタスクである。従来の異常検出アルゴリズムは,非定常時系列データを扱うとき,浅い特徴の検出を達成することができるが,しかし,それらのアルゴリズムは,大規模な時系列データの深い特徴に関して異常値を検出することができなかった。本論文では,人工ニューラルネットワーク(ANNs)とアンサンブル学習(EL)の特性に基づくLSTM-GAN-XGBOOSTと名付けた新しい融合アルゴリズムを提案した。このハイブリッド手法は,時系列データの時間次元特徴を抽出するための長い短期メモリネットワーク(LSTM)を結合し,正常データの深い特徴を効果的に抽出するための生成敵対ネットワーク(GAN)と,抽出した特徴および輸出異常スコアを分類するための極端な勾配ブースティング(XGBOOST)を結合させた。さらに,最終異常結果および評価指標を得るために,LSTM-GAN-XGBOOSTに基づく試験および評価の異常検出フレームワークを提案した。提案したアルゴリズムは,時系列データの処理特徴抽出と異常検出において明白な利点を示した。実験および古典的ボール軸受時系列データセットを用いて,提案した方法の有効性およびいくつかの従来の方法に対する優位性を検証した。実験結果は,LSTM-GAN-XGBOOSTがボールベアリング時系列データセットの異常を効果的に検出することができ,従来のアルゴリズムと比較して優れた性能であるROC曲線(AUC)の下の面積に関して99.1%を達成し,時系列異常検出に対して高い有意性を有することを示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】