基于非平稳高斯过程的异常检测与修复
机器学习
2015-07-03 v1
摘要
本文提出一种新颖的高斯过程方法，用于时间序列数据中的故障修复。故障修复并非删除故障信号数据，而是对数据中的故障进行“按摩”式处理。我们假设在任何时刻仅发生一个故障，并分别用两个独立的非参数高斯过程模型对物理现象和故障进行建模。为便于故障修复，我们引入了用于处理非平稳高斯过程的马尔可夫区域链接核。该核是分段平稳的，但能保证由其生成的函数及其导数（在需要时）处处连续。我们将此核应用于故障传感器数据中漂移和偏差误差的修复，以及眼电图伪迹污染的脑电图信号的恢复。
引用
@article{arxiv.1507.00566,
title = {Anomaly Detection and Removal Using Non-Stationary Gaussian Processes},
author = {Steven Reece and Roman Garnett and Michael Osborne and Stephen Roberts},
journal= {arXiv preprint arXiv:1507.00566},
year = {2015}
}
备注
9 pages, 14 figures