Anomaly detection using one-class SVM with wavelet packet decomposition

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Hautakangas, Hannu
dc.contributor.author Nieminen, Jukka
dc.date.accessioned 2012-02-29T17:01:23Z
dc.date.available 2012-02-29T17:01:23Z
dc.date.issued 2011
dc.identifier.uri http://urn.fi/URN:NBN:fi:jyu-201202291321 en
dc.identifier.uri http://hdl.handle.net/123456789/37465
dc.description.abstract Anomaly detection has become a popular research topic in the field of machine learning. Support vector machine is one anomaly detection technique and it is coming one the most widely used. In this research, anomaly detection is applied to road condition monitoring, especially pothole detection, using accelerometer data. The proposed concept includes data preprocessing, feature extraction, feature selection and classification. Accelerometer data was first filtered and segmented, after which features were extracted with frequency- and time-domain functions, with genetic programming and with wavelet packet decomposition. A classification model was built using support vector machine and the calculated features. The results with actual accelerometer data demonstrates that potholes can be detected reliably. Features from wavelet packet decomposition yielded the best classification results.
dc.description.abstract Poikkeavuuksien havaitsemisesta on tullut suosittu tutkimusalue koneoppimisen alalla. Tukivektorikone on yksi poikkeavuuksien havaitsemismenetelmä ja siitä on tulossa yksi alan käytetyimmistä tekniikoista. Tässä tutkielmassa poikkeavuuksien havaitsemista sovelletaan tien pinnan kuoppien tunnistamiseen kiihtyvyysanturin mittausarvoista. Kiihtyvyysanturin mittausarvoja esikäsiteltiin suodattimen ja ikkunoinnin avulla, minkä jälkeen arvoista laskettiin piirteitä aika- ja taajuustason funktioiden, geneettisen ohjelmoinnin ja aallokemuunnoksen avulla. Parhaiden piirteiden valinnan jälkeen luotiin ennustava malli tukivektorikoneella. Luokittelutulokset osoittavat, että kuopat voidaan havaita luotettavasti kiihtyvyysanturin mittausarvoista. Parhaat tulokset saavutetiin allokemuunnoksella lasketuilla piirteillä.
dc.format.extent 68 s.
dc.language.iso eng
dc.rights This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited. en
dc.rights Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty. fi
dc.subject.other accelerometer
dc.subject.other anomaly detection
dc.subject.other feature selection
dc.subject.other one-class support vector machine
dc.subject.other wavelet packet decomposition
dc.title Anomaly detection using one-class SVM with wavelet packet decomposition
dc.type Book en
dc.identifier.urn URN:NBN:fi:jyu-201202291321
dc.subject.ysa koneoppiminen
dc.subject.ysa tietotekniikka
dc.subject.ysa poikkeavuus
dc.type.dcmitype Text en
dc.type.ontasot Pro gradu fi
dc.type.ontasot Master's thesis en
dc.contributor.tiedekunta Informaatioteknologian tiedekunta fi
dc.contributor.tiedekunta Faculty of Information Technology en
dc.contributor.laitos Tietotekniikan laitos fi
dc.contributor.laitos Department of Mathematical Information Technology en
dc.contributor.yliopisto University of Jyväskylä en
dc.contributor.yliopisto Jyväskylän yliopisto fi
dc.contributor.oppiaine tietotekniikka fi
dc.date.updated 2012-02-29T17:01:23Z

This item appears in the following Collection(s)

Show simple item record