內(nèi)含動畫的PPT已經(jīng)上傳，可以在我上傳的資源里看到，可免費下載

該篇論文主要圍繞“異常檢測+硬盤故障預測+GAN+非監(jiān)督”展開，以下是個人對整篇文章脈絡的整理和理解。

文章目錄

• • **內(nèi)含動畫的PPT已經(jīng)上傳，可以在我上傳的資源里看到，可免費下載**
  • • • 一、論文概括
      • 二、相關的研究
      • 三、論文主體——提出基于LSTM的非監(jiān)督對抗學習方法
      • • • 1、實驗比對
          • 2、數(shù)據(jù)集
          • 3、實驗設置
          • 4、實驗結(jié)果對比

一、論文概括

研究對象

目的

方法

結(jié)論

結(jié)果

二、相關的研究

方法及問題

問題的原因分析

前人的具體研究方法和結(jié)果

三、論文主體——提出基于LSTM的非監(jiān)督對抗學習方法

異常檢測流程

作者所構(gòu)建的模型結(jié)構(gòu)（包括編碼器具體的內(nèi)部結(jié)構(gòu)LSTM+FC）

模型的訓練過程

• 包括各個損失函數(shù)的定義
• L1損失函數(shù)
• L2損失函數(shù)
• 二分類交叉熵損失函數(shù)

模型的驗證過程

• 異常分數(shù)的定義
• 縮放
• F1的計算
• 閾值的確定

模型的測試過程

評價指標及實驗結(jié)果

2020.9.8補充《關于實驗部分》

1、實驗比對

實驗選擇與單類支持向量機（OCSVM）、孤立森林、GANomaly、LSTM-CNN、LSTM-FC（本文方法）做對比。
（1）單類支持向量機是一種基于非監(jiān)督學習的異常檢測方法，訓練時只使用一類數(shù)據(jù)，常用于解決多維的不均衡數(shù)據(jù)的異常檢測。
（2）孤立森林也是一種在多維數(shù)據(jù)集中進行異常檢測的有效方法，通過隨機選擇一個特征，然后在所選特征的最大值和最小值之間隨
機選擇一個分割值來“隔離”樣本實現(xiàn)非監(jiān)督的異常檢測。

2、數(shù)據(jù)集

兩個硬盤數(shù)據(jù)集
（1）4TB 的希捷ST4000DM000
（2）12TB 的希捷ST12000NM0007
（3）實驗將兩個數(shù)據(jù)集分別分割成訓練集 Dtrn、驗證集Dvrf和測試集 Dtst三個子集，其中 Dtrn只含正常樣本(normal)，Dvrf和 Dtst含有比例不均衡的正常樣本和異常樣本(anormal)

3、實驗設置

（1）Pytorch 3.6 上實現(xiàn)
（2）使用Adam 優(yōu)化器
（3）學習率r =0.00001，損失函數(shù)的權重w1 =w2 =w3 =1，
（4）LSTM 的隱含層維度設為h =250，潛在向量z 的維度設為nz =200
（5）訓練的輪數(shù)根據(jù)經(jīng)驗設為5000。

4、實驗結(jié)果對比

（1）五種方法在兩個數(shù)據(jù)集上的實驗結(jié)果比對
（2）三種深度學習方法GANomaly、LSTM-CNN 、LSTM-FC驗證階段的感受性曲線和異常分數(shù)的分布圖

從圖 3 可以看出 LSTM-FC 的感受性曲線更飽滿，其對應的曲線下面積也就越大，與表 2 和表 3 記錄相一致；
從圖 4 可以看出 LSTM-FC 的異常分數(shù)分布最清晰，有利于閾值的選取，且在測試階段性能也會更穩(wěn)定；
GANomaly 的異常分數(shù)分布最差，這也是其驗證階段曲線下面積高于 LSTM-CNN 但測試結(jié)果卻不如后者的原因。

總結(jié)

以上是生活随笔為你收集整理的（一）一种硬盘故障预测的非监督对抗学习方法（2019-西安电子科技大学学报）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。