标签：解决   9.png   好的   网络   序列   die   提取   toe   输入   

1 Auto-encoder 目的是提取特征.  Auto-encoder能恢复样本训练过程，就保证了隐含层提取的特征是样本的重要，本质的特征，否则不能恢复样本.

2 用样本学习好Auto-encoder， 将时间序列样本，输入训练好的auto-encoder, 如果输出与输入残差值（平方误差和等）小表示没有异常发生，否则发生异常.

3 隐含层提取的特征很难表达，变分自编码器（Variational autoencoder，VAE）：编码数据的分布 是一个描述隐含层特征的特殊自动编码器

4 RNN:

  LSTM：

LSTM（Long-Short Term Memory）

原生的RNN会遇到一个很大的问题，叫做 The vanishing gradient problem for RNNs，也就是后面时间的节点对于前面时间的节点感知力下降，也就是忘事儿，这也是NN在很长一段时间内不得志的原因，网络一深就没法训练了，深度学习那一套东西暂且不表，RNN解决这个问题用到的就叫LSTM，简单来说就是你不是忘事儿吗？我给你拿个小本子把事记上，好记性不如烂笔头嘛，所以LSTM引入一个核心元素就是Cell。

Auto-encoder 在异常检测中的应用

标签：解决   9.png   好的   网络   序列   die   提取   toe   输入   

原文地址：http://www.cnblogs.com/z00200157/p/6833071.html