典型文献
高斯混合生成模型检测健康数据异常
文献摘要：
在智能穿戴设备普及的背景下,运动手环为全面地了解人们的身体状况提供了丰富的信息源,但是其提供的多维活动数据存在未知的异常值,因此需要进行异常值的检测.由于"维度灾难",通过传统的方法进行密度估计十分困难,导致检测效果不佳.针对该问题,使用了一种高斯混合生成模型(GMGM)健康数据检测方法.首先,该模型利用变分自编码器(VAE)训练原始数据,并且通过降低重构误差提取潜在特征.然后,利用深度信念网络(DBN),通过潜在分布和提取的特征来预测样本的混合成员隶属度.接着,变分自编码器、深度信念网络与高斯混合模型(GMM)共同优化,避免了模型解耦的影响.高斯混合模型预测得到每个数据的样本密度,将密度高于训练阶段阈值的样本视为异常.在ODDS标准数据集上验证模型的性能,结果表明,相比深度自编码器高斯混合模型(DAGMM),GMGM的AUC指标平均提升了5.5个百分点.最后,在真实数据集上的实验结果也表明了该方法的有效性.
文献关键词：
变分自编码器(VAE);深度信念网络(DBN);高斯混合模型(GMM);健康数据;异常检测
中图分类号：
作者姓名：
朱壮壮;周治平
作者机构：
江南大学 物联网工程学院,江苏 无锡 214122
文献出处：
引用格式：
[1]朱壮壮;周治平-.高斯混合生成模型检测健康数据异常)[J].计算机科学与探索,2022(05):1128-1135
A类：
GMGM,ODDS
B类：
生成模型,模型检测,健康数据,数据异常,智能穿戴设备,动手,手环,解人,身体状况,信息源,异常值,维度灾难,密度估计,十分困难,检测效果,数据检测,变分自编码器,VAE,原始数据,重构误差,潜在特征,深度信念网络,DBN,潜在分布,预测样本,隶属度,解耦,密度高,训练阶段,标准数据集,验证模型,深度自编码器高斯混合模型,DAGMM,百分点,真实数据,异常检测
AB值：
0.295927
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
