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”

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