Part of
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.
Umfang: XIII, 230 S.
Preis: 41.00 €
These are words or phrases in the text that have been
automatically identified by the
Named Entity Recognition and Disambiguation service,
which provides Wikipedia
(
)
and Wikidata
(
)
links for these entities.
Anneken, M. 2023. Anomaliedetektion in räumlich-zeitlichen Datensätzen. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000158519
Dieses Buch wurde im Open Access Format publiziert. Es gelten die Bestimmungen der Creative Commons Attribution 4.0 Lizenz (falls nicht anders vermerkt). Sie berechtigt die uneingeschränkte Nutzung, Vervielfältigung und Verbreitung in jeglichen Medien, solange das Werk angemessen zitiert wird. Das Urheberrecht behalten die Autorinnen und Autoren.
Dieses Buch ist Peer reviewed. Informationen dazu finden Sie hier
Veröffentlicht am 14. August 2023
Deutsch
264
| Paperback | 978-3-7315-1300-1 |