Learning Entropy for Novelty Detection: A Cognitive Approach for Adaptive Filters
Identifikátory výsledku
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>
Alternativní jazyky
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.
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
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