（三）Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding

最新推荐文章于 2021-12-16 15:29:54 发布
最新推荐文章于 2021-12-16 15:29:54 发布
阅读量3.5k 收藏 24
点赞数 21
分类专栏： 论文解析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WangZixuan1111/article/details/105046528
版权

内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载

熟读这篇英文论文之后，我的一些总结和收获，用中文PPT呈现出来，文章发表于2018年KDD上，围绕“异常检测+神经网络+RNNs+LSTM+航空航天+时间序列+预测”展开，接下来将呈现我对文章脉络的理解和收获，如有不对的地方，敬请指正！

文章目录

一、论文概括
  1. 研究对象
  2. 目标
  3. 方法
  4. 结论
    在这里插入图片描述
二、相关的研究工作
  1. 现有航天器遥测的异常检测技术及缺陷
  2. 技术分析
  3. 异常检测的简单形式
  4. LSTM可用于异常检测分析

在这里插入图片描述
在这里插入图片描述

三、作者的研究方法
  1. 流程
  2. 第一步：用LSTM学习时序数据做预测
    1. 单通道模型
    2. 预测通道的值
  3. 第二步：收集每一步误差构成误差向量
  4. 第三步：对误差作加权平均的平滑处理
  5. 第四步：根据平滑后的数据计算阈值
  6. 第五步：高于阈值标为样本
  7. 为降低误报率，找出假阳性数据，提出“修剪策略”
  8. 实验参数设置及实验结果分析
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
是肉球哇
关注
  • 21
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 12
    评论
专栏目录
Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding阅读笔记
qq_41127919的博客
04-14 1879
介绍 这篇文章来自2018 KDD，是一篇检测飞船异常的文章。 作者的想法在于，首先基于LSTM的时序预测已经能达到很好地效果，其次基于阈值(out-of-limits,OOL)方法由于计算成本小，适用范围广，易于解释及其可以与基于预测的方法完美结合等优点，依然是上佳的考虑。所以采用了基于预测和阈值的方法来做异常检测。 异常检测方法 当通过预测得到一个新值y^(t)\hat{y}^{(t)}y^​...
[文献阅读]Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding
RegulusF的博客
01-08 2836
使用LSTM和非参数的动态阈值检测航天器的异常，发表在2018年的KDD上。 ABSTRACT    随着航天器返回越来越多的遥测数据，需要改进异常检测系统以减轻操作工程师的监控负担并降低操作风险。当前的航天器监视吸引同仅针对一部分的异常类型，并且由于这些数据异常涉及到的规模以及复杂性，常常需要高昂的人力成本来维护和开发。    1.我们证明在标记SMAP卫星和Curiosity火星车的异常数据上，LSTM（RNN的一种）的有效性。    2.我们还提出了在SMAP异常检测系统中实验实施期间开发的一种互补的
2018C-Detecting spacecraft anomalies using LSTMs and Nonparametric Dynamic..pdf
11-08
摘要 随着航天器发回越来越多的遥测数据，需要改进异常探测系统，以减轻操作工程师的监测负担，降低操作风险。目前的航天器监测系统只针对异常类型的子集，由于规模和复杂性的挑战，常常需要昂贵的专家知识来开发和维护。我们展示了长短期记忆(LSTMs)网络(一种递归神经网络(RNN))在克服这些问题上的有效性，使用来自土壤水分主动被动(SMAP)卫星和火星科学实验室(MSL)漫游者“好奇号”的专家标记的遥测异常数据。我们还提出了一种互补的无监督和非参数异常阈值方法，该方法是在SMAP异常检测系统的试运行中开发的，并提供了假阳性缓解策略以及在开发过程中获得的其他关键改进和教训。
Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding
程序猿进化梯
11-07 757
第一作者信息： Kyle Hundman NASA Jet Propulsion Laboratory California Institute of Technology kyle.a.hundman@jpl.nasa.gov 之前周报做的ppt，分享于此。 注：本篇论文已上传到资源，需要的童鞋可免费下载。 博主研究方向为时间序列的异常检测，欢迎交流。知识浅薄，如有错误之处，欢迎指正交流~ ...
LSTM 时间序列数据的异常检测
weixin_34357962的博客
11-03 3206
见 http://www.infoq.com/cn/articles/deep-learning-time-series-anomaly-detection 但是不够详细
【论文阅读】Dynamic Error Thresholds
Lamours的博客
12-16 644
Dynamic Error Thresholds 前言 基于预测和阈值的方法来做异常检测，在常规的方法中，我们往往会使用一种最朴素的方法来确定阈值，也就是设置一个常数，如果超过这个常数，那么认为某个点是「异常」的。 论文《Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding》 提到了一种动态设置阈值的方法，最近也是学习实现了一下。 你可以在这里找到原文: Detecting Spacecraft A
第八、九篇论文.pptx
04-17
《2018Web traffic anomaly detection using C-LSTM neural networks基于C-LSTM神经网络的Web流量异常检测》和《2019Anomaly Detection Based on ConvolutionalRecurrent Autoencoder for IoT Time Series基于卷积递归自编码器的物联网时间序列异常检测》
Detecting fake images using watermarks and support vector machines
02-20
With the great convenience of computer graphics and digital imaging, it becomes much easier to alter the content of images than before without<BR>any visually traces to catch these manipulations, i.e....
Detecting Potential Adverse Drug Reactions Using Association Rules and Embedding Models
02-07
Adverse drug reactions (ADRs) may occur following a single dose or prolonged administration of a drug or result from the combination of two or more drugs. Given the restrictions of the traditional ...
Detecting Pedestrians Using Patterns of Motion and Appearance
10-27
"Detecting Pedestrians Using Patterns of Motion and Appearance"这篇论文提出了一种行人检测系统，该系统将图像的强度信息与运动信息相结合，采用AdaBoost算法训练检测器，能够同时利用运动和外观信息来检测行走...
非线性时间序列_范剑青_中文
02-24
非线性时间序列_范剑青_中文..................................................................................................................................
Detecting Causality in Complex Ecosystems复杂生态系统因果关系监测.pdf
08-11
2012年发表在Science的一篇论文，提出了收敛交叉映射算法，针对复杂生态系统进行因果推断,针对格兰杰检验进行的改进。 用一句话来概述收敛交叉映射算法，变量Y的历史数据能够由变量X可靠的推出的程度越高，那么X到Y的因果关系就越强。
机载干扰检测Detecting Jamming and Interference
02-13
机载干扰检测Detecting Jamming and Interference
“Nonparametric Blind Super-Resolution”
u010367533的专栏
09-13 1962
ICCV2013：Nonparametric Blind Super-Resolution
multivariate time series anomaly detection survey
idevede的博客
05-07 1万+
Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding (Hundman et al. [2018])---宇航员，开源，将多通道分成单通道。 本文创新之处有两个：提出一种动态、无监督的确定阈值的方法；重新判定是否异常以减少误报率。   本文只向后预测一步，并且只预测一个维度，收集每一步的...
Anmle,Factors,andMultiFactorModels
rede
05-10 749
转 Anomalies, Factors, and Multi-Factor Models 作者：石川，量信投资创始合伙人，清华大学学士、硕士，麻省理工学院博士；精通各种概率模型和统计方法，擅长不确定性随机系统的建模及优化。知乎专栏：https://zhuanlan.zhihu.com/mitcshi。未经授权，严禁转载。 摘要:本文解释了异象、因子以及多因子模型的区别和联系；梳理了从异象到因子再...
（十六）Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks（LSNet）
热门推荐
WangZixuan1111的博客
06-05 4万+
相关PPT已经上传，可以在我上传的资源里看到，可免费下载 论文信息 2018 SIGIR(CCFA) 作者单位：CMU(Carnegie Mellon University卡内基梅隆大学) 多元时间序列预测 论文链接：Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks 代码链接：https://github.com/laiguokun/LSTNet 解析论文的参考的论文： 参考一：https://zhuanl
using python how to write a code for detecting cat in a picture
最新发布
03-31
As an AI language model, I do not have the ability to write and execute code. However, I can provide you with a sample code in Python for detecting cats in an image using OpenCV library and a pre-trained Haar classifier. ``` import cv2 # Load the pre-trained Haar classifier for cat detection cat_cascade = cv2.CascadeClassifier('haarcascade_frontalcatface.xml') # Load the image to detect cats img = cv2.imread('cat.jpg') # Convert the image to grayscale gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Detect cats in the image cats = cat_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5) # Draw rectangles around the detected cats for (x,y,w,h) in cats: cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2) # Display the image with detected cats cv2.imshow('Cat Detection', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` In this code, we first load the pre-trained Haar classifier for cat detection using `CascadeClassifier` function from OpenCV library. We then load the image to detect cats and convert it to grayscale using `cvtColor` function. We use `detectMultiScale` function to detect cats in the grayscale image and draw rectangles around the detected cats using `rectangle` function. Finally, we display the image with detected cats using `imshow` function and wait for the user to press any key to exit the display window.
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

是肉球哇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值