Hugendubel.info - Die B2B Online-Buchhandlung 

Merkliste
Die Merkliste ist leer.
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.

Anomaliedetektion in räumlich-zeitlichen Datensätzen

Book on DemandKartoniert, Paperback
264 Seiten
Deutsch
KIT Scientific Publishingerschienen am14.08.2023
Die Unterstützung des Menschen bei Überwachungsaufgaben ist aufgrund der überwältigenden Menge an Sensordaten von entscheidender Bedeutung. Diese Arbeit konzentriert sich auf die Entwicklung von Datenfusionsmethoden am Beispiel des maritimen Raums. Es werden verschiedene Anomalien untersucht, anhand realer Schiffsverkehrsdaten bewertet und mit Experten erprobt. Dazu werden Situationen von Interesse und Anomalien basierend auf verschiedenen maschinellen Lernverfahren modelliert und evaluiert. Human support in surveillance tasks is crucial due to the overwhelming amount of sensor data. This work focuses on the development of data fusion methods using the maritime domain as an example. Various anomalies are investigated, evaluated using real vessel traffic data and tested with experts. For this purpose, situations of interest and anomalies are modelled and evaluated based on different machine learning methods.mehr

Produkt

KlappentextDie Unterstützung des Menschen bei Überwachungsaufgaben ist aufgrund der überwältigenden Menge an Sensordaten von entscheidender Bedeutung. Diese Arbeit konzentriert sich auf die Entwicklung von Datenfusionsmethoden am Beispiel des maritimen Raums. Es werden verschiedene Anomalien untersucht, anhand realer Schiffsverkehrsdaten bewertet und mit Experten erprobt. Dazu werden Situationen von Interesse und Anomalien basierend auf verschiedenen maschinellen Lernverfahren modelliert und evaluiert. Human support in surveillance tasks is crucial due to the overwhelming amount of sensor data. This work focuses on the development of data fusion methods using the maritime domain as an example. Various anomalies are investigated, evaluated using real vessel traffic data and tested with experts. For this purpose, situations of interest and anomalies are modelled and evaluated based on different machine learning methods.