Näytä suppeat kuvailutiedot

dc.contributor.authorHautakangas, Hannu
dc.contributor.authorNieminen, Jukka
dc.date.accessioned2012-02-29T17:01:23Z
dc.date.available2012-02-29T17:01:23Z
dc.date.issued2011
dc.identifier.otheroai:jykdok.linneanet.fi:1198566
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/37465
dc.description.abstractAnomaly 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.abstractPoikkeavuuksien 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.extent68 sivua
dc.format.mimetypeapplication/pdf
dc.language.isoeng
dc.rightsThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.rightsJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.subject.otheraccelerometer
dc.subject.otheranomaly detection
dc.subject.otherfeature selection
dc.subject.otherone-class support vector machine
dc.subject.otherwavelet packet decomposition
dc.titleAnomaly detection using one-class SVM with wavelet packet decomposition
dc.identifier.urnURN:NBN:fi:jyu-201202291321
dc.type.dcmitypeTexten
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosTietotekniikan laitosfi
dc.contributor.laitosDepartment of Mathematical Information Technologyen
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.date.updated2012-02-29T17:01:23Z
dc.rights.accesslevelopenAccessfi
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi602
dc.subject.ysokoneoppiminen
dc.subject.ysotietotekniikka
dc.subject.ysopoikkeavuus
dc.format.contentfulltext
dc.type.okmG2


Aineistoon kuuluvat tiedostot

Thumbnail

Aineisto kuuluu seuraaviin kokoelmiin

Näytä suppeat kuvailutiedot