|
|
|
基于无监督学习的数据流异常检测技术研究 |
|
论文目录 |
|
摘要 | 第9-11页 | ABSTRACT | 第11-13页 | 第一章 绪论 | 第14-19页 | 1.1 研究背景和意义 | 第14-15页 | 1.1.1 研究背景 | 第14页 | 1.1.2 选题意义 | 第14-15页 | 1.2 面临的挑战和特点 | 第15-16页 | 1.2.1 数据的大规模海量性和数据快速到达特性 | 第15页 | 1.2.2 数据分布动态变化的特性 | 第15-16页 | 1.2.3 数据处理的资源有限性 | 第16页 | 1.2.4 数据类型的多样性和算法难兼容性 | 第16页 | 1.3 主要工作和创新点 | 第16-18页 | 1.4 论文的组织结构 | 第18-19页 | 第二章 相关工作 | 第19-26页 | 2.1 针对维度弱相关数据的流异常检测技术 | 第19-22页 | 2.1.1 基于距离的方法 | 第19-21页 | 2.1.2 基于聚类的方法 | 第21-22页 | 2.1.3 基于密度的方法 | 第22页 | 2.2 针对维度强相关数据的流异常检测技术 | 第22-26页 | 2.2.1 基于树和子空间的方法 | 第22-24页 | 2.2.2 基于深度学习的算法 | 第24-25页 | 2.2.3 基于线性模型的检测方法 | 第25-26页 | 第三章 基于相关性矩阵的数据自动分类和方法选择策略 | 第26-31页 | 3.1 相关性分析方法 | 第26-28页 | 3.1.1 皮尔逊相关系数 | 第26-27页 | 3.1.2 斯皮尔曼相关系数 | 第27页 | 3.1.3 典型相关性分析 | 第27-28页 | 3.2 算法流程 | 第28-30页 | 3.3 本章小结 | 第30-31页 | 第四章 基于多视图矩阵概要的维度强相关数据在线异常检测技术 | 第31-41页 | 4.1 引言 | 第31-33页 | 4.2 方法实现 | 第33-37页 | 4.2.1 模型的初始化 | 第33-36页 | 4.2.2 异常检测方法 | 第36页 | 4.2.3 模型的更新 | 第36-37页 | 4.3 实验分析 | 第37-40页 | 4.3.1 实验设置 | 第37-38页 | 4.3.2 实验结果 | 第38-40页 | 4.4 本章小结 | 第40-41页 | 第五章 基于活跃内点模型和微簇结构的维度弱相关数据在线异常检测技术 | 第41-55页 | 5.1 引言 | 第41-45页 | 5.1.1 基于距离的数据流异常检测和滑动窗口技术 | 第41-43页 | 5.1.2 面临的问题 | 第43-44页 | 5.1.3 主要贡献 | 第44-45页 | 5.2 算法流程 | 第45-51页 | 5.2.1 正常内点模型 | 第45-47页 | 5.2.2 微簇结构 | 第47-49页 | 5.2.3 详细流程 | 第49-50页 | 5.2.4 模型优化与理论性证明 | 第50-51页 | 5.3 实验结果 | 第51-54页 | 5.3.1 实验设置 | 第51-52页 | 5.3.2 实验结果 | 第52-54页 | 5.4 本章小结 | 第54-55页 | 第六章 系统设计与实现 | 第55-64页 | 6.1 分布式流处理平台Storm | 第55-56页 | 6.2 系统总体架构 | 第56-58页 | 6.3 维度强相关数据检测模块的实现 | 第58-59页 | 6.4 维度弱相关数据检测模块的实现 | 第59-61页 | 6.5 实验结果与分析 | 第61-63页 | 6.5.1 实验设置 | 第61页 | 6.5.2 检测结果 | 第61-63页 | 6.5.3 吞吐率 | 第63页 | 6.6 本章小结 | 第63-64页 | 第七章 结束语 | 第64-66页 | 7.1 研究工作总结 | 第64-65页 | 7.2 未来工作展望 | 第65-66页 | 致谢 | 第66-67页 | 参考文献 | 第67-71页 | 作者在学期间取得的学术成果 | 第71页 |
|
|
|
|
论文编号BS4655860,这篇论文共71页 会员购买按0.35元/页下载,共需支付24.85元。 直接购买按0.5元/页下载,共需要支付35.5元 。 |
 |
 |
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|