Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Another Adaptive Approach to Novelty Detection in Time Series

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F14%3A00212030" target="_blank" >RIV/68407700:21220/14:00212030 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://airccj.org/2013/aisc14/acceptedpapers.html" target="_blank" >http://airccj.org/2013/aisc14/acceptedpapers.html</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.5121/csit.2014.4229" target="_blank" >10.5121/csit.2014.4229</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Another Adaptive Approach to Novelty Detection in Time Series

  • Popis výsledku v původním jazyce

    This paper introduces a novel approach to novelty detection of every individual sample of data in a time series. The novelty detection is based on the knowledge learned by neural networks and the consistency of data with contemporary governing law. In particular, the relationship of prediction error with the adaptive weight increments by gradient decent is shown, as the modification of the recently introduced adaptive approach of novelty detection. Static and dynamic neural network models are shown on theoretical data as well as on a real ECG signal.

  • Název v anglickém jazyce

    Another Adaptive Approach to Novelty Detection in Time Series

  • Popis výsledku anglicky

    This paper introduces a novel approach to novelty detection of every individual sample of data in a time series. The novelty detection is based on the knowledge learned by neural networks and the consistency of data with contemporary governing law. In particular, the relationship of prediction error with the adaptive weight increments by gradient decent is shown, as the modification of the recently introduced adaptive approach of novelty detection. Static and dynamic neural network models are shown on theoretical data as well as on a real ECG signal.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    BC - Teorie a systémy řízení

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2014

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Computer Science & Information Technology

  • ISBN

  • ISSN

    2231-5403

  • e-ISSN

  • Počet stran výsledku

    11

  • Strana od-do

    341-351

  • Název nakladatele

    AIRCC Publishing Corporation

  • Místo vydání

    Chennai, Tamil Nadu

  • Místo konání akce

    Sydney

  • Datum konání akce

    21. 2. 2014

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku