論文の概要: Anomaly Detection of UAV State Data Based on Single-class Triangular
Global Alignment Kernel Extreme Learning Machine
- arxiv url: http://arxiv.org/abs/2302.09320v1
- Date: Sat, 18 Feb 2023 12:43:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 19:12:34.171914
- Title: Anomaly Detection of UAV State Data Based on Single-class Triangular
Global Alignment Kernel Extreme Learning Machine
- Title(参考訳): 単クラス三角形グローバルアライメントカーネル極端学習マシンによるUAV状態データの異常検出
- Authors: Feisha Hu, Qi Wang, Haijian Shao, Shang Gao and Hualong Yu
- Abstract要約: 無人航空機(UAV)は広く使われ、軍用および民間の分野で多くの要求に応えている。
本研究では,無人機から収集した異常なデータを検知し,ドローンの安全性を向上させるアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 13.068075546963847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned Aerial Vehicles (UAVs) are widely used and meet many demands in
military and civilian fields. With the continuous enrichment and extensive
expansion of application scenarios, the safety of UAVs is constantly being
challenged. To address this challenge, we propose algorithms to detect
anomalous data collected from drones to improve drone safety. We deployed a
one-class kernel extreme learning machine (OCKELM) to detect anomalies in drone
data. By default, OCKELM uses the radial basis (RBF) kernel function as the
kernel function of the model. To improve the performance of OCKELM, we choose a
Triangular Global Alignment Kernel (TGAK) instead of an RBF Kernel and
introduce the Fast Independent Component Analysis (FastICA) algorithm to
reconstruct UAV data. Based on the above improvements, we create a novel
anomaly detection strategy FastICA-TGAK-OCELM. The method is finally validated
on the UCI dataset and detected on the Aeronautical Laboratory Failures and
Anomalies (ALFA) dataset. The experimental results show that compared with
other methods, the accuracy of this method is improved by more than 30%, and
point anomalies are effectively detected.
- Abstract(参考訳): 無人航空機(UAV)は広く使われ、軍用および民間の分野で多くの要求に応えている。
アプリケーションシナリオの継続的な拡張と拡張により、UAVの安全性は常に課題となっている。
この課題に対処するために,ドローンから収集した異常なデータを検出するアルゴリズムを提案する。
ドローンデータ中の異常を検出するために,一級カーネル極端学習マシン(OCKELM)をデプロイした。
デフォルトでは、OCKELMはラジアル基底(RBF)カーネル関数をモデルのカーネル関数として使用する。
OCKELMの性能向上のために,RBFカーネルの代わりに三角形グローバルアライメントカーネル(TGAK)を選択し,UAVデータを再構成するためのFast Independent Component Analysis(FastICA)アルゴリズムを導入する。
以上の改良に基づき,新しい異常検出戦略であるFastICA-TGAK-OCELMを作成する。
最終的にUCIデータセットで検証され、航空実験室故障・異常(ALFA)データセットで検出される。
実験の結果, 他の手法と比較して, 本手法の精度は30%以上向上し, 点異常を効果的に検出できることがわかった。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - MMAUD: A Comprehensive Multi-Modal Anti-UAV Dataset for Modern Miniature
Drone Threats [37.981623262267036]
MMAUDは、ドローン検出、UAV型分類、軌道推定に焦点を当てて、現代の脅威検出手法における重要なギャップに対処する。
これは、熱とRGBを使用して特定のベタージュポイントでキャプチャされたデータセットよりも忠実度の高い実世界のシナリオに対処するための、ユニークな頭上の空中検出を提供する。
提案するモダリティは費用対効果が高く適応性が高いため,UAV脅威検出ツールの実験と実装が可能である。
論文 参考訳(メタデータ) (2024-02-06T04:57:07Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - A Two-Dimensional Deep Network for RF-based Drone Detection and
Identification Towards Secure Coverage Extension [7.717171534776764]
時間領域情報と周波数領域情報の両方を含む生信号から2次元特徴を抽出するために,ショートタイムフーリエ変換を用いる。
次に、ResNet構造で構築された畳み込みニューラルネットワーク(CNN)を用いて、マルチクラス分類を実現する。
実験の結果,提案したResNet-STFTは,拡張データセット上でより精度が高く,より高速に収束できることがわかった。
論文 参考訳(メタデータ) (2023-08-26T15:43:39Z) - Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a
Stacked Recurrent Autoencoder Method with Dynamic Thresholding [0.3441021278275805]
本稿では,Long Short-Term Memory (LSTM) Deep Learning Autoencoderをベースとした,新しい動的しきい値決定アルゴリズムとUAVデータセットの異常検出のための重み付き損失関数を組み込んだシステムを提案する。
動的しきい値と重み付き損失関数は、精度関連性能指標と真の故障検出速度の両方において、標準静的しきい値法に有望な改善を示した。
論文 参考訳(メタデータ) (2022-03-09T14:16:14Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of
Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。
提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文 参考訳(メタデータ) (2020-07-17T20:03:02Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。