지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 백준걸
- 발행연도
- 2021
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (3)
2021
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
When unexpected problems occur in manufacturing process, it is necessary to configure an anomaly detection system to monitor and control them. Abnormal data are critical because they cause a decrease in yield and poor quality. If abnormal data is not detected, the process continues and the loss becomes greater. Abnormal data have fewer numbers than normal data, resulting in class imbalance problems. Therefore, we solve the data imbalance problem by learning distribution of normal data only. Unlike conventional methods, adversarial autoencoder (AAE) is able to create distributions similar to the original data through competitive learning using discriminator. This paper proposes adversarial autoencoder with multiple discriminators, a method to learn the distribution of normal data more accurately by adding two discriminators to AAE. We use Long Short-Term Memory (LSTM) layer to fit the time series characteristics. Experiments confirm that the method proposed in this paper show great anomaly detection performance.
목차
1. 서론 12. 이상치 탐지 모델 52.1 MDAAE를 활용한 학습 62.2 손실 분포(Loss Distribution) 기반의 이상치 탐지 113. 실험 123.1 데이터 셋 123.1.1 NASA 베어링 데이터 셋 123.1.2 웨이퍼 제어 센서 데이터 셋 143.1.3 FordA 데이터 셋 153.1.4 FordB 데이터 셋 163.2 실험 결과 173.2.1 복원력 평가 173.2.2 이상 분류 성능 평가 193.2.3 모델 구조 변경 및 비교 204. 결론 23참고문헌 25
최근 본 자료
댓글(0)
0