Abstract: M. Hu, X. Feng, S. Zhou, W. Xu (2018)

The problem of detecting anomalies in time series has attracted much attention recently due to its numerous applications. In this paper, we proposed a novel framework based on nonlinear methods. Firstly, we use time-dependent URP (Unthreholded Recurrence Plots) to represent time series, so as to capture the nonlinear characteristic of time series. Secondly, we present ELM-AE (Extreme Learning Machine Auto-Encoder) based algorithm to learn the main features of URPs. Finally, we compute residual errors as anomaly score for each time series points. This framework can perform well on complex nonlinear systems using unlabeled datasets.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Anomaly detection in time series data based on unthresholded recurrence plots