Novelty detection via linear adaptive filters

Abstract

Novelty detection is an important signal processing task. This task is essential for many industry, and biomedical applications. This thesis is presenting research on the topic of novelty detection utilizing parameters of linear adaptive filters. A new method of adaptive novelty detection is presented in this thesis - Error and Learning Based Novelty Detection. The goal of this thesis is to present the new method as a viable tool for online unsupervised novelty detection in non-stationary and drifted data. The method is supported with various experimental evidence collected from multiple studies. These studies cover multiple traditional applications like system change point detection and outlier detection. The results are obtained from experiments with real and synthetic data.

Detekce novosti je důležitá část zpracování signálů a je esenciální pro různé průmyslové a bioinženýrské aplikace. Tato disertace prezentuje výzkum metod detekce novosti využívající parametry adaptivních filtrů. V této práci je popsána nová methoda adaptivní detekce novosti nazvaná Error and Learning Based Novelty Detection. Cílem této práce je popsat tuto novou metodu jako užitečný nástroj pro online detekci novosti pro data, která jsou nestacionární nebo obsahují drift. Studie podporující užitečnost této metody jsou představeny v této práci. Tyto studie pokrývají různé oblasti tradičního zpracování signálů, například: detekce změny chování systému a detekce anomálií. Experimentální výsledky těchto studií jsou získány na reálných i syntetických datech.