Learning Entropy for Novelty Detection: A Cognitive Approach for Adaptive Filters

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F14%3A00224887" target="_blank" >RIV/68407700:21220/14:00224887 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeeexplore.com/stamp/stamp.jsp?tp=&arnumber=6943329" target="_blank" >http://ieeeexplore.com/stamp/stamp.jsp?tp=&arnumber=6943329</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/SSPD.2014.6943329" target="_blank" >10.1109/SSPD.2014.6943329</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning Entropy for Novelty Detection: A Cognitive Approach for Adaptive Filters

Popis výsledku v původním jazyce

This paper recalls the practical calculation of Learning Entropy (LE) for novelty detection, extends it for various gradient techniques and discusses its use for multivariate dynamical systems with ability of distinguishing between data perturbations orsystem-function perturbations. LE has been recently introduced for novelty detection in time series via supervised incremental learning of polynomial filters, i.e. higher-order neural units (HONU). This paper demonstrates LE also on enhanced gradient descent adaptation techniques that are adopted and summarized for HONU. As an aside, LE is proposed as a new performance index of adaptive filters. Then, we discuss Principal Component Analysis and Kernel PCA for HONU as a potential method to suppress detection of data-measurement perturbations and to enforce LE for system-perturbation novelties.

Název v anglickém jazyce

Learning Entropy for Novelty Detection: A Cognitive Approach for Adaptive Filters

Popis výsledku anglicky

This paper recalls the practical calculation of Learning Entropy (LE) for novelty detection, extends it for various gradient techniques and discusses its use for multivariate dynamical systems with ability of distinguishing between data perturbations orsystem-function perturbations. LE has been recently introduced for novelty detection in time series via supervised incremental learning of polynomial filters, i.e. higher-order neural units (HONU). This paper demonstrates LE also on enhanced gradient descent adaptation techniques that are adopted and summarized for HONU. As an aside, LE is proposed as a new performance index of adaptive filters. Then, we discuss Principal Component Analysis and Kernel PCA for HONU as a potential method to suppress detection of data-measurement perturbations and to enforce LE for system-perturbation novelties.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název statě ve sborníku

Sensor Signal Processing for Defence (SSPD), 2014

ISBN

978-1-4799-5294-6

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

1-5

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Edinburgh

Datum konání akce

8. 9. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000349464000026