search query: @keyword minimum description length / total: 4
reference: 1 / 4
« previous | next »
Author: | Hulkkonen, Jenni |
Title: | Minimum description length principle in novelty detection |
Lyhimmän kuvauspituuden periaate uutuuden havaitsemisessa | |
Publication type: | Master's thesis |
Publication year: | 2008 |
Pages: | vii + 51 Language: eng |
Department/School: | Elektroniikan, tietoliikenteen ja automaation tiedekunta |
Main subject: | Laskennallinen tekniikka (S-114) |
Supervisor: | Kaski, Kimmo |
Instructor: | Heikkonen, Jukka |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark S80 | Archive |
Keywords: | minimum description length novelty detection lyhin kuvapituus uutuuden etsintä |
Abstract (fin): | Tässä työssä on käytetty lyhimmän kuvauspituuden (minimum description length, NMDL) periaatetta uutuuden etsintään. MDL periaate on tilastollinen ja informaatioteoreettinen metodologia, jonka tavoitteena on lievittää mallinvalintaan liittyviä ongelmia, kuten mallin ylisovitusta. MDL-teoria perustuu annetun aineiston säännönmukaisuuksien hyväksikäyttöön aineiston tiivistämisessä, jolloin aineisto voidaan kuvata lyhyemmin. MDL-periaatteen mukaan parhaiten sovittuva malli on se, joka mahdollistaa suurimman datan tiivistämisen ja näin ollen aineiston pienimmän kuvauspituuden. Uutuuden etsintä on epänormaalin käytöksen havaitsemista systeemistä ennen kuin huomattavaa suorituskyvyn alenemista tapahtuu. Mahdollisten systeemin vikaantumisten varhainen havainnointi ja analyysi mahdollistavat systeemin turvallisuuden, luotettavuuden ja tuottavuuden. Näin ollen uutuuden etsintä aikasarjoista on suuren mielenkiinnon kohteena varsinkin teollisuuden ja signaalinkäsittelyn sovelluksissa. Tässä työssä kuvataan hiljattain esitelty MDL-periaatteeseen perustuva peräkkäin normalisoitu suurimman uskottavuuden (sequentially normalized maximum likelihood, SNML) menetelmä aikasarja-analyysiin. Verrattuna aikaisempiin MDL-menetelmiin, SNML:n laskemiseen ei tarvita hyperparametreja, ja mallinvalintakriteeri on laskettavissa aikasarjoille. Uutuuden etsintä -kokeita suoritetaan SNML:n suoritustehon ja käyttäytymisen selvittämiseksi. Tähän tarkoitukseen käytetään kahta aineistoa, joista toinen pohjautuu oikeisiin mittauksiin kuulalaakerin vikaantumisesta. Tässä työssä esitetyt tulokset paljastavat, että SNML:n signaalin kompleksisuutta mittaava stokastinen kompleksisuus (SC) toimii hyvin uutuuden etsintä-tehtävissä. Vastaavasti SNML:n mukaan valittu AR mallin kertaluku ei näytä yhtä hyvin selittävän systeemissä tapahtuvia muutoksia. |
ED: | 2008-04-14 |
INSSI record number: 35510
+ add basket
« previous | next »
INSSI