用于固体介质无监督诊断的异常敏感字典学习
计算机视觉与模式识别
2014-05-13 v1
摘要
本文提出了一种检测和三角定位固体介质中结构异常的策略。该方法围绕构建介质动态响应的稀疏表示展开，通过学习形成响应数据合适基底的指导性字典来实现。由此产生的稀疏编码问题被重构为一种改进的字典学习任务，并对所学字典的原子施加了额外的空间稀疏性约束，从而赋予其预设的空间拓扑结构，旨在揭示物理域中的异常区域。所提出的方法是模型无关的，即它摒弃了对物理模型的需求，几乎不需要关于结构材料属性的先验知识，因为所有推断完全由数据驱动，利用材料动态响应内在显著结构中可用的信息层。这一特性使得该方法在属性分布未知或异质的系统中进行异常识别时非常强大，而对于这些系统，模型往往不适用或不可靠。该方法已通过合成数据进行了验证。
引用
@article{arxiv.1405.2496,
title = {Anomaly-Sensitive Dictionary Learning for Unsupervised Diagnostics of Solid Media},
author = {Jeffrey M. Druce and Jarvis D. Haupt and Stefano Gonella},
journal= {arXiv preprint arXiv:1405.2496},
year = {2014}
}
备注
Submitted to the Proceedings of the Royal Society A