Geri Dön

Ortam anomali tespitinde LSTM-kapsül ağları ve 3DConv-LSTM otokodlayıcı karşılaştırılması ve analizi

Comparison and analysis of LSTM-capsule networks and 3DConv-LSTM autoencoder in ambient anomaly detection

PDF İndir

  1. Tez No: 912061
  2. Yazar: BARIŞ KOPUZ
  3. Danışmanlar: DOÇ. DR. NİHAN KAHRAMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: 36

Özet

Şehirlerdeki nüfus yoğunluğu dikkate alındığında ortamdaki anormal durumların insanlar tarafından manuel olarak tespiti ekonomik açıdan pahalı ve zaman alıcı bir uygulamadır. Son yıllarda anomali tespiti için bir takım yaklaşımlar önerilmiştir. Diğer yaklaşımlarla karşılaştırıldığında derin öğrenme modelleri, çok çeşitli anormal olayların tespitinde büyük bir başarım elde etmiştir. Denetimsiz modeller anomali tespitinde diğer derin öğrenme modellerinden daha iyi performans gösterir. Bu nedenle bu çalışmada, özellik çıkarma aşamasında iki denetimsiz derin öğrenme modeli (LSTM-Kapsül Ağları ve 3DConv-LSTM Otokodlayıcı) birbirleriyle karşılaştırılıp analiz edilmiştir. Performans başarım ve kayıp metrikleriyle değerlendirilir. Python programlama dili kullanılır. Ve bu çalışma CUHK Avenue, UCSD Ped1 ve UCSD Ped2 gibi ortam anomali veri setleriyle test edilir. CUHK Avenue veri seti üzerinde LSTM-Kapsül Ağları %79.10'luk ve 3DConv-LSTM Otokodlayıcı %75.99'luk bir başarım oranına ulaştı. LSTM-Kapsül Ağları 0.0088'lik ve 3DConv-LSTM Otokodlayıcı 0.0489'luk bir kayıp oranı elde etti. UCSD Ped1 veri seti üzerinde LSTM-Kapsül Ağları %83.47'lik ve 3DConv-LSTM Otokodlayıcı %82.67'lik bir başarım oranına ulaştı. LSTM-Kapsül Ağları 0.0208'lik ve 3DConv-LSTM Otokodlayıcı 0.0430'luk bir kayıp oranı elde etti. UCSD Ped2 veri seti üzerinde LSTM-Kapsül Ağları %85.31'lik ve 3DConv-LSTM Otokodlayıcı %81.83'lük başarım oranı elde etti. LSTM-Kapsül Ağları 0.0211'lik ve 3DConv-LSTM Otokodlayıcı 0.0510'luk bir kayıp oranı elde etti. UCSD Ped1 veri setinde LSTM-Kapsül Ağları mevcut yöntemlerle başarım oranları açısından karşılaştırıldı ve daha iyi performans gösterdi. Deneysel sonuçlar, LSTM-Kapsül Ağlarının, 3DConv-LSTM Otokodlayıcıdan daha iyi performans gösterdiğini ve incelediğimiz mevcut yöntemler arasında ortam anomali tespitinde yüksek potansiyele sahip olduğunu gösterdi.

Özet (Çeviri)

Considering the population density in cities, manual detection of abnormal situations in the ambient by humans is an economically expensive and time-consuming application. In recent years, a number of approaches have been proposed for anomaly detection. Compared to other approaches, deep learning models have achieved great accuracy in detecting a wide variety of abnormal events. The unsupervised models outperform other deep learning models in anomaly detection. Therefore, in this study, two unsupervised deep learning models (LSTM-Capsule Networks and 3DConv-LSTM Autoencoder) are compared and analyzed with each other in the feature extraction stage. Performance is evaluated with accuracy and loss metrics. The Python programming language is used. And this work is tested with ambient anomaly datasets such as CUHK Avenue, UCSD Ped1, and UCSD Ped2. On the CUHK Avenue dataset, the LSTM-Capsule Networks achieved an accuracy rate of 79.10% and the 3DConv-LSTM Autoencoder achieved an accuracy rate of 75.99%. The LSTM-Capsule Networks achieved a loss rate of 0.0088 and the 3DConv-LSTM Autoencoder achieved a loss rate of 0.0489. On the UCSD Ped1 dataset, the LSTM-Capsule Networks achieved an accuracy rate of 83.47% and the 3DConv-LSTM Autoencoder achieved an accuracy rate of 82.67%. The LSTM-Capsule Networks achieved a loss rate of 0.0208 and the 3DConv-LSTM Autoencoder achieved a loss rate of 0.0430. On the UCSD Ped2 dataset, the LSTM-Capsule Networks achieved an accuracy rate of 85.31% and the 3DConv-LSTM Autoencoder achieved an accuracy rate of 81.83%. The LSTM-Capsule Networks achieved a loss rate of 0.0211 and the 3DConv-LSTM Autoencoder achieved a loss rate of 0.0510. On the UCSD Ped1 dataset, the LSTM-Capsule Networks were compared with existing methods in terms of accuracy rates and showed better performance. The experimental results showed that LSTM-Capsule Networks outperform the 3DConv-LSTM Autoencoder and have high potential in ambient anomaly detection among the existing methods we examined.

Benzer Tezler

  1. Tez No

    800513

    Data-driven delay estimation and anomaly detection: A study on European and Turkish air traffic

    Veri güdümlü gecikme tahmini ve anomali tespiti: Avrupa ve Türkiye hava trafiği üzerine bir çalışma

    MUHAMMET AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DR. EMRE KOYUNCU

  2. Tez No

    732920

    An online network intrusion detection system for DDoS attacks with IoT botnet

    IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi

    ERİM AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞERİF BAHTİYAR

  3. Tez No

    756797

    Detection of anomalous fund transfers between different banks

    Farklı bankalar arası anormal fon transferlernin ̇tespiti

    ABDULLAH MERT TUNÇAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    DOÇ. DR. ERDEM AKAGÜNDÜZ

  4. Tez No

    810967

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

    Pitch frekansı ve benzeşmezlik öznitelikleri kullanılarak zaman serilerinde kolektif anomali tespiti

    EKİN CAN ERKUŞ

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. VİLDA PURUTÇUOĞLU

    DR. ÖĞR. ÜYESİ AYKUT EKEN

  5. Tez No

    822410

    İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti

    Anomaly detection with machine learning on air conditioning systems

    REFİK KİBAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK

    DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR

Geri Dön