通过训练具有小型中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。
最近我们被客户要求撰写关于神经网络的研究报告。这种神经网络被命名为自编码器_Autoencoder_。
自编码器是_非线性_降_维_ 技术用于特征的无监督学习，它们可以学习比主成分分析效果更好的低维代码，作为降低数据维数的工具。
自编码器是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码（codings），其维度一般远小于输入数据，使得自编码器可用于降维。更重要的是，自编码器可作为强大的特征检测器（feature detectors），应用于深度神经网络的预训练。此外，自编码器还可以随机生成与训练数据类似的数据，这被称作生成模型（generative model）。比如，可以用人脸图片训练一个自编码器，它可以生成新的图片。
自编码器通过简单地学习将输入复制到输出来工作。这一任务（就是输入训练数据， 再输出训练数据的任务）听起来似乎微不足道，但通过不同方式对神经网络增加约束，可以使这一任务变得极其困难。比如，可以限制内部表示的尺寸（这就实现降维了），或者对训练数据增加噪声并训练自编码器使其能恢复原有。这些限制条件防止自编码器机械地将输入复制到输出，并强制它学习数据的高效表示。简而言之，编码（就是输入数据的高效表示）是自编码器在一些限制条件下学习恒等函数（identity function）的副产品。
异常心跳检测
如果提供了足够的类似于某种底层模式的训练数据，我们可以训练网络来学习数据中的模式。
异常测试点是与典型数据模式不匹配的点。自编码器在重建这些数据时可能会有很高的错误率，这表明存在异常。
该框架用于使用深度自编码器开发异常检测演示。该数据集是心跳的 ECG 时间序列，目标是确定哪些心跳是异常值。训练数据（20 个“好”心跳）和测试数据（为简单起见附加了 3 个“坏”心跳的训练数据），如下所示。每行代表一个心跳。
init()
PATH = os.path.expanduser("~/")
import_file(PATH + "train.csv") import_file(PATH + "test.csv")
探索数据集
tra.shape
# 将框架转置，将时间序列作为一个单独的列来绘制。 plot(legend=False); # 不显示图例
在训练数据中，我们有 20 个时间序列，每个序列有 210 个数据点。请注意，所有线条都很紧凑并且形状相似。重要的是要记住，在使用自编码器进行训练时，您只想使用 VALID 数据。应删除所有异常。
现在让我们训练我们的神经网络
Estimator( activation="Tanh", hidden=\[50\], ) model.train
model
随时关注您喜欢的主题
我们的神经网络现在能够对 时间序列进行 _编码_。
异常检测
现在我们尝试使用异常检测功能计算重建误差。这是输出层和输入层之间的均方误差。低误差意味着神经网络能够很好地对输入进行编码，这意味着是“已知”情况。高误差意味着神经网络以前没有见过该示例，因此是异常情况。
anomaly(test )
现在的问题是：哪个 test 时间序列最有可能是异常？
我们可以选择错误率最高的前 N 个
df\['Rank'\] = df\['MSE'\].rank
sorted
dfsorted\[MSE'\] > 1.0
datT.plot
daT\[anindex\].plot(color='red');
带监督微调的无监督预训练
有时，未标记的数据比标记的数据多得多。
在这种情况下，在未标记数据上训练自编码器模型，然后使用可用标签微调学习模型是有意义的。
结论
在本教程中，您学习了如何使用自编码器快速检测时间序列异常。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
MATLAB图注意力网络GAT多标签图分类预测可视化
【视频讲解】Python深度神经网络DNNs-K-Means（K-均值）聚类方法在MNIST等数据可视化对比分析
MATLAB用CNN-LSTM神经网络的语音情感分类深度学习研究
