Тема: Обнаружение аномалий в радиотехнических сигналах

В современном мире существует множество систем, которые под действием различных факторов меняют свои параметры и характеристики. Такие системы называются нестационарными. Для них есть необходимость сбора потоков информации с целью управления и предотвращения нештатных ситуаций. В случае организации сбора и хранения подобной информации открываются возможности применения интеллектуальных систем анализа данных. Установленные датчики могут генерировать числовые данные с интервалами, варьирующимися от десяти секунд для данных телеметрии до одной минуты для навигационных параметров. Учитывая большой объем получаемой информации, становится очевидной необходимость развития автоматических систем анализа и обработки данных с целью выявления аномалий в них.
Аномалии являются нежелательной характеристикой данных или процессов. Аномалии в данных - это выбросы или отклонения, которые существенно отличаются от большей их части.
Есть много отраслей направлений, где актуален поиск аномалий. Аномалии в индустрии сигнализируют о дефектах детали, сбоях в работе оборудования и скорой его поломке. В сфере здравоохранения этот процесс помогает в диагностике заболеваний, а финансовых технологиях выявлять мошенничество.
Инструментом для выполнения задач такого рода является машинное обучение. В общем смысле машинное обучение это совокупность множества алгоритмов и принципов, позволяющих анализировать огромное количество опытных данных для извлечения из них смысловой информации.
С помощью машинного обучения возможно изучение закономерностей в данных, которые впоследствии используются для выявления аномального поведения. Задачи машинного обучения обычно подразделяются на следующие категории в зависимости от наличия обучающего «сигнала» или «обратной связи», доступного для системы обучения.
а) Обучение с учителем заключается в обучении системы с помощью примеров «стимул-реакция». В качестве частных случаев выделяют способы машинного обучения, при которых входной сигнал может быть доступен частично или же ограничен специальной обратной связью:
1) обучение с частичным привлечением учителя, когда для части прецендентов задается только тренировочный набор без выходных значений (например, методы на основе графов);
2) активное обучение является частным случаем обучения с частичным привлечением учителя, особенностью которого является способность интерактивного запрашивания эксперта.
Используется в том случае, когда в выборке преобладают немаркированные данные, а ручная маркировка представляется трудозатратной. Некоторые алгоритмы активного обучения основаны на методе опорных векторов.
3) В ходе обучения с подкреплением система обучается, взаимодействуя с некоторой средой и получая в ходе обучения сигналы подкрепления от системы. Обучение модели представимо виде выполнения наборов правил, на основании которых с течением времени изменяется матрица взаимодействия модели и среды.
б) Обучение без учителя предполагает обучение системы без вмешательства со стороны эксперта. Подходит для задач, объекты в которых подробно описаны, и требуется установить внутренние взаимосвязи между объектами. Методы решения - метод ближайших соседей, графовые алгоритмы кластеризации (иерархическая кластеризация).

Купить

По результатам проведенных исследований можно декларировать: благодаря множеству методов машинное обучение способно решать различный спектр задач, в том числе обнаружение аномалий в данных. Наиболее производительным и простым в плане использования оказался метод one class SVM, так как он рассчитан только на задачи классификации. Также стоит отметить, что данный метод применим только к данным имеющим маркировки, в то время как автоэнкодер представляет собой наиболее универсальное средство решения задач, есть возможность применять данное решение и к немаркированным данным, настраивать параметры и гиперпараметры, что может повысить производительность обучения.
Купить