Avsnitt

Hybridmodellmetod för akustisk avvikelseidentifiering i realtid med time series

med Sahan Dissanayaka

Global AI Student Conference 2022

Att identifiera avvikande beteenden hjälper till att hitta nya kunskaper om ett visst fenomen eftersom avvikelsebeteenden sällan inträffade och ger bättre insikter för att förhindra dessa instanser i framtiden. Vanligtvis inträffar avvikelsebeteenden oväntat på grund av objektens omedvetna natur. Det här projektet hjälper direkt eller som en första insikt till att förhindra allvarliga avvikelsebeteenden som genereras i realtid genom att hjälpa till att diagnostisera dem så tidigt som möjligt.

Hittills har ett ökande antal maskininlärnings- och djupinlärningsalgoritmer utvecklats för att upptäcka avvikelser, men bara ett fåtal program fokuserar på att upptäcka akustiska avvikelser i realtid. När det gäller detta ges det huvudsakliga bidraget från det här forskningsprojektet genom att leverera en förbättrad hybridmodellarkitektur för att samla in fler tidsseriefunktioner för akustisk avvikelseidentifiering i realtid och göra det möjligt att använda den i ovanstående scenarier effektivt.

Anslut

Azure AI services