Geri Dön

Collective anomaly detection in time series using pitch frequency and dissimilarity features

Pitch frekansı ve benzeşmezlik öznitelikleri kullanılarak zaman serilerinde kolektif anomali tespiti

PDF İndir

  1. Tez No: 810967
  2. Yazar: EKİN CAN ERKUŞ
  3. Danışmanlar: PROF. DR. VİLDA PURUTÇUOĞLU, DR. ÖĞR. ÜYESİ AYKUT EKEN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Bioengineering, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 229

Özet

Kolektif anomaliler, çeşitli faktörler nedeniyle zaman serisi veri modalitelerinin çoğunda görülür. Biyomedikal sinyallerde elektrotların yer değiştirmesi, hareket veya hatalı ekipman nedeniyle sıklıkla görülürler. Bu anomaliler model ve analiz performansı üzerinde olumsuz bir etkiye sahiptir. Bu yüzden, onları veriden kaldırmak veya verideki farklı davranışları yakalamak için tespit edilmeleri önemlidir. Bu tez, yarı periyodik zaman serisi verilerindeki kolektif anomalileri tespit etmek için yeni bir yaklaşım önermektedir. Önerilen algoritma, ses sinyali işlemede yaygın olarak kullanılan perde frekansı tahmin tekniklerinden yararlanarak hem zaman hem de frekans alanlarının güçlü yönlerini birleştirmektedir. Bu sayede, anomaliler için farklı açılardan değerlendirmeler ile daha iyi bir performans sunması hedeflenektedir. Kayan pencereler yaklaşımını kullanarak ve yapısal örüntüleri dinamik olarak öğrenmek için önceki veri bilgilerini kullanarak, önerilen algoritma gerçek zamanlı anomali tespitinde de kullanılabilmektedir. Pencere özelliklerini önemli ölçüde etkilemeyen tek örnekli aykırı değerleri tespit etmek için geliştirilmemiş olsa da, kolektif anormallikleri tespit etmede etkilidir. Algoritma özellikle yarı periyodik veriler için geliştirilmiştir ve yarı periyodik olmayan zaman serisi verilerine uygulanabilirliği sınırlı olabilir. Önerilen algoritmanın etkinliğini çeşitli koşullar altında değerlendirmek için hem sentetik olarak oluşturulmuş hem de karşılaştırmalı elektrokardiyogram (EKG) veri kümeleri kullanılmıştır. Önerilen yaklaşımın performansı, anomali tespitinde yaygın olarak kullanılan diğer öznitelikler ve temel anomali tespit algoritmaları ile karşılaştırılmıştır. Bulgular, önerilen yöntemin kolektif anomalileri tespit etmede karşılaştırılan algoritmalardan genelde daha iyi performans gösterdiğini ve ayrıca hesaplama verimliliği açısından diğer parametrik olmayan yaklaşımlardan daha hızlı olduğunu ortaya koymaktadır.

Özet (Çeviri)

Collective anomalies appear in the majority of time series data modalities due to a variety of factors. They appear frequently in biomedical signals as a result of electrode displacement, motion, or faulty equipment. These anomalies have a negative impact on model and analysis performance and are frequently identified in order to be eliminated or detected in order to observe unwanted data behavior. This thesis describes a novel method for detecting collective anomalies in quasi-periodic time series data. By leveraging pitch frequency estimation techniques commonly used in audio signal processing, the proposed algorithm combines the strengths of both the time and frequency domains. It provides a comprehensive view of anomalous patterns and can be customized and adapted to different domains and datasets, making it useful for a wide range of applications. By employing a sliding windows approach and utilizing previous data information to dynamically learn structural patterns, the proposed algorithm also excels in real-time anomaly detection. It is effective in detecting subject-specific anomalies, although it may not locate single-sample outliers that do not significantly affect window properties. The algorithm was developed specifically for quasi-periodic data and may be limited in its applicability to non-quasi-periodic time series data. Both synthetically generated and benchmark electrocardiogram (ECG) datasets are used to assess the effectiveness of the proposed algorithm under a variety of conditions. The performance of the proposed approach is compared to other features commonly used in anomaly detection, as well as some benchmark time series anomaly detection algorithms. The findings show that the proposed method consistently outperforms the compared algorithms in detecting both outlier-like and inlier-like anomalies. It also outperforms other non-parametric approaches in terms of computational efficiency.

Benzer Tezler

  1. Tez No

    510590

    Kalman filtresi temelli sensör arıza tespit, teşhis ve ayrıştırma algoritmalarının helikopter dinamik modeline uygulanması

    Application of helicopter dynamic modeling of Kalman filter based sensor fault detection, isolation and accommodation algorithms

    ÖZLEM DÖKME

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. CENGİZ HACIZADE

  2. Tez No

    956429

    Fırın sensör verilerini kullanarak fotovoltaik panel üretim sürecinde zaman serisi ve LSTM yöntemi ile anomali tespiti

    Anomaly detection in the photovoltaic panel production process using time series and LSTM method with furnace sensor data

    YEŞİM GÖRÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHasan Kalyoncu Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ALİ EMRE ÖZTÜRK

    DR. ERKAN KIYMIK

  3. Tez No

    949054

    Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods

    Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması

    SAMED ÇALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Büyük Veri ve İş Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  4. Tez No

    704588

    Yakamoz and Sunshine: Two novel time series anomaly detection methods

    Yakamoz ve Sunshine: İki yeni zaman serisi anomali tespit yöntemi

    METİN BOĞAZLIYAN

    Doktora

    İngilizce

    İngilizce

    2021

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. CEYLAN YOZGATLIGİL

  5. Tez No

    910098

    İleri seviye izleme ve makine öğrenmesi ile mikroservis mimarilerinde anomali tespiti

    Anomaly detection in microscervices architectures with advanced monitoring and machine learning

    BURAK ÇAYIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BÜNYAMİN CİYLAN

Geri Dön