Ego-Things中基于动态贝叶斯方法的决策
机器学习
2020-10-29 v1
摘要
本文提出一种基于多传感器数据与特征选择的动态系统异常检测新方法。所提方法通过考虑观测数据的若干特征生成多个推断模型，有助于获取用于预测未来实例与检测异常的最精确特征。采用生长神经气体(GNG)将多传感器数据聚类为一组节点，提供数据的语义解释并定义用于预测的局部线性模型。我们的方法使用马尔可夫跳跃粒子滤波(MJPF)进行状态估计与异常检测。该方法可用于选择网络操作中共享的最优特征集，以利于状态预测、决策与异常检测过程。本工作通过使用由在受控环境中执行若干任务的移动车辆构成的真实数据集进行评估。
引用
@article{arxiv.2010.14900,
title = {Dynamic Bayesian Approach for decision-making in Ego-Things},
author = {Divya Kanapram and Damian Campo and Mohamad Baydoun and Lucio Marcenaro and Eliane L. Bodanese and Carlo Regazzoni and Mario Marchese},
journal= {arXiv preprint arXiv:2010.14900},
year = {2020}
}
备注
IEEE 5th World Forum on Internet of Things at Limerick, Ireland