This thesis proposes a novel anomaly detection algorithm for detect-ing anomalies in high-dimensional, multimodal, real-valued time se-ries data. The approach, requiring no domain knowledge, is based on Stochastic Recurrent Networks (STORNs), a universal distribution approximator for sequential data leveraging the power of Recurrent Neural Networks (RNNs) and Variational Auto-Encoders (VAEs). The detection algorithm is evaluated on real robot time series data in order to prove that the method robustly detects anomalies off- and on-line. / Detta arbete förslår en ny detektionsalgoritm för anomalier i högdi-mensionell multimodal reellvärd tidsseriedata. Metoden kräver in-gen domänkunskap och baseras på Stochastic Recurrent Networks (STORNs), en teknik för oövervakad och universell fördelningssapprox-imation för sekventiell data som bygger på Recurrent Neural Net-works (RNNs) och Variational Auto-Encoders (VAEs). Algoritmen utvärderades på robotgenererade tidsserier och slutsat-sen är att metoden på ett robust sätt upptäcker anomalier både offline och online. / Anomaliedetektion in Roboterzeitreihen mittels stochastischer Rekurrenter Netzwerke In dieser Arbeit wird ein neuartiger Algorithmus entwickelt, um in hochdimensionalen, multimodalen, reellwertigen Zeitreihen Anomalien zu detektieren. Der Ansatz benötigt keine domänenspezifisches Fachwissen und basiert auf Stochastischen Rekurrenten Netzwerken (STORN), einem universellen Wahrscheinlichkeitsverteilungsapproximator für sequenzielle Daten, der die Stärken von Rekurrenten Neuronalen Netzwerken (RNN) und dem Variational Auto-Encoder (VAE) vereinigt. Der Detektionsalgorithmus wird auf realen Robotertrajektorien evaluiert. Es wird gezeigt, dass Anomalien robust online und offline gefunden werden können.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-180473 |
Date | January 2015 |
Creators | Sölch, Maximilian |
Publisher | KTH, Optimeringslära och systemteori |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | German |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-MAT-E ; 2015:90 |
Page generated in 0.0023 seconds