.png){kind=icon}
返回
Feature-Based Normality Models for Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.3390-s25154757.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在传感器数据中检测先前未见的异常对于人工智能而言是一个具有挑战性的问题，尤其是在需要从短暂的校准期内学习时间序列的传感器特定和部署特定特征时。从应用角度来看，这一挑战日益重要，因为许多应用正倾向于利用低成本传感器进行物联网部署。虽然这些传感器具有成本效益和定制化优势，但其数据质量无法与高端传感器相媲美。为提高传感器数据质量并解决物联网应用中的异常检测挑战，我们提出了一种学习传感器数据正常性模型的异常检测框架。该框架对单个传感器的典型行为进行建模，这对于可靠检测传感器数据异常至关重要，尤其是在处理观测信号特征显著不同的传感器时。我们的框架从小规模无异常训练数据集中学习传感器特定的正常性模型，同时采用无监督特征工程方法选择统计显著特征。所选特征随后用于训练局部离群因子异常检测模型，该模型自适应地确定区分正常数据与异常的边界。所提出的异常检测框架在三个具有异构传感器读数真实世界公共环境监测数据集上进行了评估。传感器特定的正常性模型从极短的校准期（短至前3天或总记录数据的10%）中学习，在F1分数（提高5.4%至9.3%）和Matthews相关系数（提高4.0%至7.6%）方面优于四种其他最先进的异常检测方法。
Keyword:
anomaly detection
sensor data
normality model
unsupervised feature engineering
Local Outlier Factor
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
分享收藏Feasibility of low-cost particle sensor types in long-term indoor air pollution health studies after repeated calibration, 2019-2021.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
Expect the Unexpected: Unsupervised Feature Selection for Automated Sensor Anomaly DetectionIEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Jia, Y.; Chen, H.; Yuan, L.; Hou, X. Flight operation anomaly detection based on one-class SVM. In Proceedings of the Fifth International Conference on Traffic Engineering and Transportation System (ICTETS 2021), Chongqing, China, 24–26 September 2021; Volume 12058, pp. 816–820. [Google Scholar] [CrossRef]贾, Y.; 陈, H.; 袁L.; 侯, X. 基于One-class SVM的飞行操作异常检测. 在第五届交通工程与交通系统国际会议(ICTETS 2021)会议录, 重庆, 中国, 2021年9月24–26日; 卷12058, 第816–820页. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容