期刊论文

负载时间序列分析对资源管理与优化决策至关重要，尤其是自动化分析技术。现有研究对样本整体特征的解读尚不充分，导致对具有不同特征（趋势性、季节性、周期性）的样本，其负载水平检测结论存在显著差异。实现自动化、特征自适应且可量化的分析方法仍是一项挑战。本文提出一种基于阈值识别的负载水平检测算法（TRLLD），该算法依据样本特征，有效识别任意规模与任意分布类型样本中的不同负载水平区域。

心率变异性（HRV）及RR间期Lorenz图是评估心脏健康状况的关键指标。Lorenz图可有效描述心率的动态变化，但其分类具有挑战性。目前，数学计算是主要的分类方法，但仍存在区域划分困难、模式复杂等问题。卷积神经网络模型已在诸多问题中被证实有效，但其在Lorenz图分类中的应用仍相对有限。本研究旨在提出一种基于预训练卷积神经网络模型的Lorenz图分类先进方法，并依据Lorenz图的形态学特征对其进行分类。

异常值检测广泛应用于网络性能优化与机器学习数据预处理等领域。在机器学习领域，其目标是提升数据质量，从而改善后续统计分析或机器学习模型的性能。目前存在大量有效且可靠的异常值分析方法，而这些方法在处理不同类型的数据分布时，其有效性存在显著差异。