《表1 测试集1部分时刻对应检测结果》
由表1和表2可得,本文所提算法可以在对数据实现压缩降低算法复杂度的前提下,仍然可以很好的把异常状态数据和正常状态数据区别开来.例如在表1中,在t=80或t=965等系统安全运行的时段内,S=(0,0),表明系统在这些时刻正常运行,而在其他时刻诸如t=180或t=750等时刻,S中两个元素均大于0,说明系统在这些时刻运行状态异常,并且在系统状态异常情况下,通过S中两个元素的数值大小来直观的呈现出系统危险程度,就表1中t=180和t=750两个时刻而言,通过对εavg和εs两个值的比较:St=180(0.72,0.060)>St=750(0.068,0.002),说明系统状态在t=180时刻偏离正常状态空间程度更大,其稳定性更差,整个系统的态势更加危险.由表3分析可得,在使用去噪自编吗器进行数据空间压缩的前提下,该算法的时间复杂度大大的减少,但是另一方面可以发现其检测精度有略微的下降,这是因为该数据集维度和数量对比现实中系统产生的数据来说还是太小,数据信息的冗余程度过于理想,导致数据降维损失了部分信息,但即使这样,相比于时间成本的降低,其精度损失在大多数场景下也可以被接受,这也为该算法在实际处理大量高维数据的场景中保证检测的实时性和精确性提供了可能性.
图表编号 | XD00175967400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 尹隆 |
绘制单位 | 中国科学院沈阳自动化研究所、中国科学院机器人与智能制造创新研究院、中科院网络化控制系统重点实验室、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |