基于指标聚合的异常检测
机器学习
2016-08-10 v1 机器学习
摘要
自动异常检测是各个领域的重大问题。除了单纯的检测外，识别产生异常的根源也至关重要。这在航空发动机健康监测中尤为如此，其中检测早期故障迹象（异常）并帮助发动机所有者有效实施适当的维护操作（修复异常根源）对于降低与非计划维护相关的成本至关重要。本文介绍了一种通用方法，旨在将监测信号分类为正常信号和几类异常信号。主要思想是利用专家知识生成大量二元指标。每个指标对应一个完全参数化的异常检测器，该检测器由专家设计的参数化异常评分构建而成。使用特征选择方法仅保留最具判别力的指标，并将其作为朴素贝叶斯分类器的输入。这产生了一个基于可解释异常检测器的可解释分类器，其参数已通过选择过程间接优化。所提出的方法在旨在重现真实世界发动机中观察到的某些异常类型的模拟数据上进行了评估。
引用
@article{arxiv.1409.4747,
title = {Anomaly Detection Based on Indicators Aggregation},
author = {Tsirizo Rabenoro and Jérôme Lacaille and Marie Cottrell and Fabrice Rossi},
journal= {arXiv preprint arXiv:1409.4747},
year = {2016}
}
备注
International Joint Conference on Neural Networks (IJCNN 2014), Beijing : China (2014). arXiv admin note: substantial text overlap with arXiv:1407.0880