본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

ABSTRACT

초록

Contents

Section 1. Introduction 8

Section 2. Deep Support Vector Data Description 13

(1) Soft-boundary deep SVDD 14

(2) One-class deep SVDD 14

Section 3. Methodology 17

3. Density-weighted Deep Support Vector Data Description 17

Section 4. Experimental Study 23

4.1. Anomaly Detection Experiments to Benchmark Datasets 23

4.1.1. Experimental Settings for Benchmark Datasets 26

4.1.2. Experiment Results to Benchmark Datasets 30

4.2 Experiment for Vibration Signal Collected from Bearing Simulator 37

4.2.1. Experimental Settings for Bearing Simulator 39

4.2.2. Experimental Results of Bearing Simulator Dataset 43

Section 5. Conclusions 44

References 45

초록보기

 이상 탐지는 타겟 데이터의 주요 패턴과는 달리 상이한 패턴을 찾는 것을 목표로 합니다. 최근 몇 년 동안 심층 신경망 구조는 종단 간 학습 방식의 프레임워크의 효율성으로 인해 이상 탐지 기법에 널리 채택되고 있습니다. 이러한 심층 신경망 기반 접근 방식은 설계된 상황에서는 뛰어난 성능을 보였지만, 실제 상황에서 많이 발생하는 노이즈가 있는 데이터 세트에서는 성능이 떨어지는 경우가 많습니다. 본 연구에서는 노이즈가 있는 데이터에 대해서도 강건한 이상 탐지를 위해 밀도 가중 심층 지원 벡터 데이터 설명 알고리즘을 제안합니다. 제안된 알고리즘은 개별 관측의 효과를 자체 밀도로 제한하여 결정 경계를 구성합니다. 이를 통해 밀집된 영역에 위치한 대상 가능성이 높은 관측은 결정 경계선에 높은 영향을 미치는 반면, 희박한 영역에 위치한 잡음이 많은 관측은 결정 경계선 구성에 거의 영향을 미치지 않습니다. 우리는 대표적인 벤치마크 데이터 세트와 베어링 시뮬레이터에서 얻은 진동 신호로 실험 연구를 수행했습니다. 실험 결과, 제안한 알고리즘이 기존의 심층 신경망 기반 이상 탐지 방법론들 보다 성능이 뛰어나다는 것을 확인했습니다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차