haku: @instructor Heikkonen, Jukka / yhteensä: 8
hakutulos-lista
viite: 1 / 8
« edellinen | seuraava »
Tekijä:Hulkkonen, Jenni
Työn nimi:Minimum description length principle in novelty detection
Lyhimmän kuvauspituuden periaate uutuuden havaitsemisessa
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2008
Sivut:vii + 51      Kieli:   eng
Koulu/Laitos/Osasto:Elektroniikan, tietoliikenteen ja automaation tiedekunta
Oppiaine:Laskennallinen tekniikka   (S-114)
Valvoja:Kaski, Kimmo
Ohjaaja:Heikkonen, Jukka
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark S80     | Arkisto
Avainsanat:minimum description length
novelty detection
lyhin kuvapituus
uutuuden etsintä
Tiivistelmä (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 tietueen numero: 35510
+ lisää koriin
« edellinen | seuraava »
INSSI