ВИЯВЛЕННЯ АНОМАЛІЙ В ДАНИХ НАВКОЛИШНЬОГО СЕРЕДОВИЩА ІЗ ДОПОМОГО JETSON NANO

Volodymyr Hura

Анотація


У даній роботі оцінено ефективність різноманітних методів машинного навчання та статистичного аналізу, які застосовуються для виявлення аномалій у даних про навколишнє середовище. Ключову увагу приділено опрацюванню адаптивності, обчислювальної складності та продуктивності кожного із розглянутих методів, а саме: ізоляційні ліси, однокласні машини на основі підтримувальних векторів (One-Class SVM), автоенкодери, LSTM-нейронні мережі та статистичні методи виявлення аномалій. Цей аналіз базується на вивченні можливостей застосування розглянутих методів на вбудованій обчислювальній платформі Jetson Nano. У роботі акцентовано виклики, пов'язані з оптимізацією обчислювальних ресурсів та адаптивністю алгоритмів у даному середовищі, і визначено перспективи подальших наукових досліджень та забезпечення методичних рекомендацій щодо покращення результатів. Загальний висновок цієї дослідницької роботи полягає у виявленні переваг гібридного підходу у застосуванні методів машинного навчання разом із статистичним аналізом для ефективного виявлення аномалій у даних про навколишнє середовище. Гібридний підхід компенсує слабкі сторони окремих методів та акцентує увагу на використанні їх сильних сторін для досягнення випереджаючих показників точності виявлення аномалій. У роботі показано, що моделі машинного навчання можуть бути ефективно використані для відстеження потенційних ризиків забруднення навколишнього середовища та адаптації до різних умов і сценаріїв. Наступним кроком цього дослідження мало місце встановлення необхідності оптимізації та адаптації алгоритмів для вбудованих обчислень та застосування на платформі Jetson Nano, оскільки це сприятиме розробці стійких та гнучких систем виявлення аномалій. Результатом є те, що дослідження актуальних методів виявлення аномалій є важливим напрямком у сфері моніторингу даних навколишнього середовища та ефективним використання ресурсів сучасних енергетичних систем.

Ключові слова: Виявлення аномалій, машинне навчання, статистичні методи, Jetson Nano, LSTM-нейронні мережі.


Повний текст:

PDF

Посилання


  1. Ahmed M., Mahmood A. N., Islam S. (2016). A survey of anomaly detection techniques in financial domain. _Future Generation Computer Systems_, 55, 278-288.
  2. Chandola V., Banerjee A., Kumar V. (2019). Anomaly detection: A survey. _ACM Computing Surveys (CSUR)_, 41(3), 1-58.
  3. Liu F. T., Ting K. M., Zhou, Z. H. (2008). Isolation forest. In _2008 Eighth IEEE International Conference on Data Mining_ (pp. 413-422). IEEE.
  4. Schölkopf B., Platt J. C., Shawe-Taylor J., Smola A. J., Williamson, R. C. (2021). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443-1471.
  5. Sakurada M., Yairi, T. (2014). Anomaly detection using autoencoders with nonlinear dimensionality reduction. In _Proceedings of the MLSDA 2014 2nd Workshop on Machine Learning for Sensory Data Analysis_ (pp. 4-11).
  6. Malhotra P., Ramakrishnan A., Anand G., Vig L., Agarwal P., Shroff, G. (2015). LSTM-based encoder-decoder for multi-sensor anomaly detection. _arXiv preprint arXiv:1607.00148_.
  7. Python O. (2020). _Jetson Nano Developer Kit_. NVIDIA Developer. Отримано з: https://developer.nvidia.com/embedded/jetson-nano-developer-kit
  8. Електронний ресурс: URL: https://www.saveecobot.com/




DOI: http://dx.doi.org/10.30970/eli.24.7

Посилання

  • Поки немає зовнішніх посилань.