تشخیص برخط و استوار ناهنجاری با استفاده از شبکه عصبی بازگشتی

در بسیاری از مسائل دنیای واقعی، داده، پویا و دارای نویز است. در چنین شرایطی تشخیص ناهنجاری باید با یک مدل برخطی که در مقابل نویز استوار است، انجام شود. در سال های اخیر شبکه های عصبی بازگشتی بر روی توالی داده ها مورداستفاده قرار گرفته و نتایج خوبی در این حوزه بدست آورده اند. اما راهکارهای موجود، استواری کافی در مقابل نویز ندارند. این مقاله، به ارائه راهکاری برای تشخیص ناهنجاری در داده گرافی پویا با استفاده از شبکه های عصبی بازگشتی می پردازد که در مقابل نویز استوار بوده و با تغییرات داده ها تطبیق پذیری کافی را دارند. نسخه استوار ارائه شده از شبکه عصبی بازگشتی، به هدف مدیریت نویز، همزمان با یادگیری الگوی اصلی و تطبیق با تغییرات، ناهنجاری ها را استخراج و معرفی می کند. برای بررسی صحت عملکرد روش پیشنهادی، آزمایش هایی ارائه شده که قدرت تشخیص ناهنجاری و توان تطبیق یادگیرنده را در مقایسه با راهکارهای موجود می سنجد. نتایج، برتری روش پیشنهادی را تصدیق کرده است.

کلیدواژه ها:

تشخیص ناهنجاری ، مدل استوار ، داده پویا ، شبکه عصبی بازگشتی