Anomalitätsdetektion
- Titel
- Anomalitätsdetektion
- Autor/in
- Datierung
- 28.12.2022
- Beschreibung
- In dieser Arbeit wird der Einsatz des Hidden Markov Models zur Anomalitätsdetektion in einer
repetitiven Sequenz getestet. Dazu wird ein Prototyp in Python implementiert, mit welchem
definierte Testfälle durchgeführt werden. Zum Schluss wird bewertet, ob das Model für diesen
Einsatzbereich geeignet ist.
Dazu wird zuerst eine Recherche über das Hidden Markov Model durchgeführt. Anschliessend wird
eine Simulations- und Testumgebung eingerichtet, sowie das Hidden Markov Model in Python
implementiert. In einem weiteren Schritt werden die definierten Testfälle durchgeführt und
ausgewertet. Da ein Testfall nicht die erwarteten Resultate liefert, wird dieser zuletzt nochmals
detaillierter analysiert.
Die Resultate sind nicht für jeden Testfall eindeutig. Die Abweichungen lassen sich auf das Rauschen
auf dem Test- und Trainingssignal und auf nicht optimale Parameter beim Model zurückführen.
Trotzdem weisen die Resultate darauf hin, dass das Hidden Markov Model für diesen Einsatzbereich
genutzt werden kann. Jedoch muss die Anomalitätsdetektion noch verbessert werden, um eine
zuverlässige Erkennung zu erreichen.
In this paper, the use of the Hidden Markov Model for anomaly detection in a repetitive sequence is
tested. For this purpose, a prototype is implemented in Python, with which defined test cases are
executed. Finally, it is evaluated whether the model is suitable for this application area.
For this purpose, first research about the Hidden Markov Model is performed. Then, a simulation and
test environment is set up and the Hidden Markov Model is implemented in Python. Subsequently,
the defined test cases are executed and evaluated. If a test case does not deliver the expected
results, it is analyzed again in more detail at the end.
The results are not unique for each test case. The deviations can be attributed to noise on the test
and training signals and to non-optimal parameters in the model. Nevertheless, the results indicate
that the Hidden Markov Model can be used for this application. However, the anomaly detection still
needs to be improved to achieve reliable detection.
- In dieser Arbeit wird der Einsatz des Hidden Markov Models zur Anomalitätsdetektion in einer
- Urheberrechtshinweis
- Felber Marco, Hochschule Luzern - Departement Technik & Architektur
HSLU
- Departement
- Studiengang
- Art der Arbeit
- Betreuer/Betreuerin
Werk
- Titel
- Anomalitätsdetektion
- Beschreibung
- In dieser Arbeit wird der Einsatz des Hidden Markov Models zur Anomalitätsdetektion in einer
repetitiven Sequenz getestet. Dazu wird ein Prototyp in Python implementiert, mit welchem
definierte Testfälle durchgeführt werden. Zum Schluss wird bewertet, ob das Model für diesen
Einsatzbereich geeignet ist.
Dazu wird zuerst eine Recherche über das Hidden Markov Model durchgeführt. Anschliessend wird
eine Simulations- und Testumgebung eingerichtet, sowie das Hidden Markov Model in Python
implementiert. In einem weiteren Schritt werden die definierten Testfälle durchgeführt und
ausgewertet. Da ein Testfall nicht die erwarteten Resultate liefert, wird dieser zuletzt nochmals
detaillierter analysiert.
Die Resultate sind nicht für jeden Testfall eindeutig. Die Abweichungen lassen sich auf das Rauschen
auf dem Test- und Trainingssignal und auf nicht optimale Parameter beim Model zurückführen.
Trotzdem weisen die Resultate darauf hin, dass das Hidden Markov Model für diesen Einsatzbereich
genutzt werden kann. Jedoch muss die Anomalitätsdetektion noch verbessert werden, um eine
zuverlässige Erkennung zu erreichen.
In this paper, the use of the Hidden Markov Model for anomaly detection in a repetitive sequence is
tested. For this purpose, a prototype is implemented in Python, with which defined test cases are
executed. Finally, it is evaluated whether the model is suitable for this application area.
For this purpose, first research about the Hidden Markov Model is performed. Then, a simulation and
test environment is set up and the Hidden Markov Model is implemented in Python. Subsequently,
the defined test cases are executed and evaluated. If a test case does not deliver the expected
results, it is analyzed again in more detail at the end.
The results are not unique for each test case. The deviations can be attributed to noise on the test
and training signals and to non-optimal parameters in the model. Nevertheless, the results indicate
that the Hidden Markov Model can be used for this application. However, the anomaly detection still
needs to be improved to achieve reliable detection.
- In dieser Arbeit wird der Einsatz des Hidden Markov Models zur Anomalitätsdetektion in einer
- Autor/in
- Externe Praxispartner
- Neurad GmbH
- Datierung
- 28.12.2022
- Format
- 32 Seiten
- Ort
- Sprache
Rechte
- Urheberrecht
- Felber Marco, Hochschule Luzern - Departement Technik & Architektur
- Hinweis zu Rechtsgrundlagen
- Lizenzierung
- Klassifikation