Java自学者论坛

 找回密码
 立即注册

手机号码,快捷登录

恭喜Java自学者论坛(https://www.javazxz.com)已经为数万Java学习者服务超过8年了!积累会员资料超过10000G+
成为本站VIP会员,下载本站10000G+会员资源,会员资料板块,购买链接:点击进入购买VIP会员

JAVA高级面试进阶训练营视频教程

Java架构师系统进阶VIP课程

分布式高可用全栈开发微服务教程Go语言视频零基础入门到精通Java架构师3期(课件+源码)
Java开发全终端实战租房项目视频教程SpringBoot2.X入门到高级使用教程大数据培训第六期全套视频教程深度学习(CNN RNN GAN)算法原理Java亿级流量电商系统视频教程
互联网架构师视频教程年薪50万Spark2.0从入门到精通年薪50万!人工智能学习路线教程年薪50万大数据入门到精通学习路线年薪50万机器学习入门到精通教程
仿小米商城类app和小程序视频教程深度学习数据分析基础到实战最新黑马javaEE2.1就业课程从 0到JVM实战高手教程MySQL入门到精通教程
查看: 1572|回复: 0

无监督异常检测之LSTM组成的AE

[复制链接]
  • TA的每日心情
    奋斗
    7 天前
  • 签到天数: 745 天

    [LV.9]以坛为家II

    2041

    主题

    2099

    帖子

    70万

    积分

    管理员

    Rank: 9Rank: 9Rank: 9

    积分
    704660
    发表于 2021-4-19 16:19:26 | 显示全部楼层 |阅读模式

    我本来就是处理时间序列异常检测的,之前用了全连接层以及CNN层组成的AE去拟合原始时间序列,发现效果不佳。当利用LSTM组成AE去拟合时间序列时发现,拟合的效果很好。但是,利用重构误差去做异常检测这条路依旧不通,因为发现异常曲线的拟合效果也很好……算了,这次先不打算做时间序列异常检测了。在这里把“基于LSTM的auto-encoder”的代码分享出来。

    代码参考了Jason Brownlee大佬修改的:具体链接我找不到了,当他的博客我还能找到,感兴趣自己翻一翻,记得在LSTM网络那一章

    https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

    from keras.layers import Input, Dense, LSTM
    from keras.models import Model
    from keras import backend as K
    import numpy as np
    from pandas import read_csv 
    from matplotlib import pyplot
    import numpy
    
    from numpy import array
    from keras.models import Sequential
    from keras.layers import RepeatVector
    from keras.layers import TimeDistributed
    from keras.utils import plot_model
    
    #导入数据,前8000个正常样本,剩下的样本包括正常和异常时间序列,每个样本是1行48列
    dataset = read_csv('randperm_zerone_Dataset.csv')
    values = dataset.values
    XY= values
    n_train_hours1 =7000
    n_train_hours3 =8000
    trainX=XY[:n_train_hours1,:]
    validX =XY[n_train_hours1:n_train_hours3, :]
    testX =XY[n_train_hours3:, :]
    train3DX = trainX.reshape((trainX.shape[0], trainX.shape[1],1))
    valid3DX =validX.reshape((validX.shape[0], validX.shape[1],1))
    test3DX = testX.reshape((testX.shape[0],testX.shape[1],1))
    # 编码器
    sequence = train3DX
    # reshape input into [samples, timesteps, features]
    n_in = 48
    # define model
    model = Sequential()
    model.add(LSTM(100, activation='relu', input_shape=(n_in,1)))
    model.add(RepeatVector(n_in))
    model.add(LSTM(100, activation='relu', return_sequences=True))
    model.add(TimeDistributed(Dense(1)))
    model.compile(optimizer='adam', loss='mse')
    model.summary()
    # fit model
    history=model.fit(train3DX, train3DX, shuffle=True,epochs=300,validation_data=(valid3DX, valid3DX))
    pyplot.plot(history.history['loss'], label='train')
    pyplot.plot(history.history['val_loss'], label='valid')
    pyplot.legend()
    pyplot.show()
    # demonstrate recreation
    yhat = model.predict(sequence)
    ReconstructedData=yhat.reshape((yhat.shape[0], -1))
    numpy.savetxt("ReconstructedData.csv", ReconstructedData, delimiter=',')

     

    哎...今天够累的,签到来了1...
    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则

    QQ|手机版|小黑屋|Java自学者论坛 ( 声明:本站文章及资料整理自互联网,用于Java自学者交流学习使用,对资料版权不负任何法律责任,若有侵权请及时联系客服屏蔽删除 )

    GMT+8, 2024-3-29 13:51 , Processed in 0.056865 second(s), 29 queries .

    Powered by Discuz! X3.4

    Copyright © 2001-2021, Tencent Cloud.

    快速回复 返回顶部 返回列表