《表4 DCNN在原始数据集和经过处理后的数据集上的分类性能对比Tab.4 Comparison of DCNN's classification performance on raw da

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的时间序列数据异常检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图5和表4展示了DCNN模型在原始数据集及处理后的数据集上的检测结果.图5（a）中蓝色折线是在原始数据集上经过卷积神经网络学习分类的结果.当迭代次数达到600次时识别精度接近80%，随后识别精度呈不平稳状态逐渐提高；迭代1 000次时，识别精度达到87.402%.红色折线是在处理后的数据集上进行卷积学习的结果.迭代200次时，识别精度已经达到90%以上；迭代1 000次时，识别精度达到98.633%.图5（b）中的蓝色折线是在原始数据集上卷积网络训练时的损失值.在[0，300]迭代次数区间内，损失值以较快的速率减小；在 (300，900]的迭代次数区间内，损失值减小的速度缓慢；在 (900，1 000]迭代次数区间，损失值的大小在0.244上下浮动并趋于稳定.据此也说明了在原始数据集上卷积网络学习过于依赖训练数据，导致分类精度较低.红色折线表示在处理后的数据集上卷积网络训练时的损失值，在[0，300]迭代区间内损失值以较快的速率减小，在 (300，1 000]的迭代次数区间内损失值减小为0.03以内并且仍以较小的速率不断减小，最终在迭代1 000次时损失值减小为0.005 48，据此也说明了在处理后的数据集上卷积网络对于数据特征学习的高效性.对于不平衡数据集，学习器学习两种数据后的认知能力不同，会导致少样本类数据的识别能力受限，不平衡时间序列数据处理算法弥补了这样的不足，对于预处理后的数据集，如红色折线所示学习器不论在运行时间还是识别精度都展现出较好的性能.