Volltext-Downloads (blau) und Frontdoor-Views (grau)
The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 45 of 814
Back to Result List

Conception and prototypical realization of a machine learning algorithm for the annotation of time series

  • Many test drives are carried out in the automotive environment. During these test drives many signals are recorded. The task of the test engineers is to find certain patterns (e.g. an emergency stop) in these long time series. Finding these interesting patterns is currently done with rule based processing. This procedure is very time consuming and requires a test engineer with expertise. In this thesis it is examined if the emerging field of machine learning can be used to support the engineers in this task. Active Learning, a subarea of machine learning, is used to train a classifier during the labeling process. Thereby it proposes similar windows to the already labeled ones. This saves the annotator time for searching or formulating rules for the problem. A data generator is worked out to replace the missing labeled data for tests. The custom performance measure “proportion of seen samples” is developed to make the success measurable. A modular software architecture is designed. With that, several combinations of Time Series Classification algorithms and query strategies are compared on artificial data. The results are verified on real datasets, which are open source available. The best performing, but computational intensive solution is an adapted RandOm Convolutional KErnel Transform (ROCKET). The custom query strategy “certainty sampling” shows the best results for highly imbalanced datasets.
  • Im Automobilbereich werden viele Testfahrten durchgeführt. Während dieser Testfahrten werden zahlreiche Signale aufgezeichnet. Die Aufgabe der Versuchsingenieure ist es, in diesen langen Zeitreihen bestimmte Strukturen (z.B. eine Notbremsung) zu finden. Das Auffinden dieser Strukturen wird derzeit mit regelbasierten Signalverbeitungen realisiert. Dieses Verfahren ist sehr zeitaufwendig und erfordert Experten mit Fachwissen. In dieser Arbeit wird untersucht, ob das aufstrebende Gebiet des maschinellen Lernens genutzt werden kann, um die Ingenieure bei dieser Aufgabe zu unterstützen. Aktives Lernen, ein Teilbereich des maschinellen Lernens, wird genutzt, um einen Klassifikator während des Annotierungsprozesses zu trainieren. Dabei schlägt es ähnliche Fenster zu den bereits annotierten vor. Dies erspart dem Annotator Zeit für die Suche oder die Formulierung von Regeln für das Problem. Es wird ein Datengenerator entwickelt, der die fehlenden annotierten Daten für Tests ersetzt. Um den Erfolg messbar zu machen, wird das eigene performance-Maß "Anteil der gesehenen samples" entwickelt. Eine modulare Software-Architektur wird entwickelt. Damit werden mehrere Kombinationen von Zeitreihen-Klassifikationsalgorithmen und Suchstrategien auf den künstlichen Daten verglichen. Die Ergebnisse werden an realen Datensätzen, die Open Source verfügbar sind, verifiziert. Die leistungsstärkste, aber rechenintensive Lösung ist eine angepasste RandOm Convolutional KErnel Transform. Die eigens definierte Suchstrategie “certainty sampling” zeigt die besten Ergebnisse für stark unausgewogene Datensätze.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Tobias Bosse
DOI:https://doi.org/10.25924/opus-3695
Advisor:Steffen Finck, Andreas Klausen, Alexander Faul
Document Type:Master's Thesis
Language:English
Year of publication:2020
Publishing Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Granting Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Release Date:2020/12/21
Tag:Machine learning
Number of pages:vi, 72
DDC classes:600 Technik, Medizin, angewandte Wissenschaften
Open Access?:ja
Course of Studies:Mechatronics
Licence (German):License LogoUrhG - The Austrian Copyright Act applies - Es gilt das österr. Urheberrechtsgesetz