| Abstract |
Sensoru sistēmas ikdienā rada lielus datu apjomus, kuru savlaicīga analīze ir svarīga, lai pamanītu iespējamās novirzes un izvairītos no bojājumiem, drošības riskiem vai liekiem izdevumiem. Šajā bakalaura darbā apskatītas piecas anomāliju noteikšanas metodes: Z-Score, EWMA, DBSCAN, Isolation Forest un FuseAD, kuras pārstāv dažādas pieejas - no klasiskām statistiskām līdz hibrīdām un mašīnmācīšanās metodēm.
Darba mērķis bija noskaidrot, kā šīs metodes darbojas dažādās datu plūsmās, īpaši pievēršoties tam, kā tās nosaka dažādu veidu anomālijas. Lai to izpētītu, tika izveidota testēšanas vide ar trim sintētiskām datu plūsmām - normālu, trokšņainu un intensīvi anomālu. Katrs algoritms tika novērtēts, izmantojot vairākus rādītājus, precizitāti un atsaukumu, kā arī tika skatīts, cik daudz datu tika kļūdaini atzīmēti kā anomāli.
Rezultāti parādīja, ka FuseAD vislabāk noteica visu veidu un saglabāja veiktspēju arī sarežģītākos apstākļos. Z-Score un EWMA bija piemērotas vienkāršākām situācijām, savukārt DBSCAN un Isolation Forest noderēja, ja galvenais mērķis bija atklāt punktveida vai kontekstuālas anomālijas. Dažām no metodēm trokšņaini dati radīja grūtības, palielinot kļūdaini klasificēto gadījumu skaitu.
Darbā redzams, ka metodes nav vienādi efektīvas visos apstākļos, to pielietojums jānovērtē, ņemot vērā konkrētā uzdevuma prasības un datu struktūru. Papildus tika izstrādāta Python programma, kas ļauj ģenerēt datus, testēt dažādas metodes un salīdzināt to darbību. Šis rīks var noderēt gan turpmākos pētījumos, gan praktiskos uzdevumos.
Bakalaura darbā ir 73 lappuses, 70 attēli, 4 tabulas, 1 pielikums un 17 informācijas avoti. |
