Wyniki wyszukiwania - BazTech

1

Wykrywanie anomalii w zachowaniu robota usługowego z wykorzystaniem sieci LSTM

Lis Kamila, Szynkiewicz Wojciech, Niewiadomska-Szynkiewicz Ewa, Ciecierski Konrad

Prace Naukowe Politechniki Warszawskiej. Elektronika

|

2022

|

z. 197, t. 1

211-222

PL

Praca dotyczy zagadnień cyberbezpieczeństwa mobilnych robotów usługowych z rozproszoną architekturą sterowania. Prezentowane jest autorskie podejście do detekcji anomalii w działaniu robota na podstawie odczytów z czujników, przy założeniu, że ataki skutkują niezgodnym z zakładanym zachowaniem robota. Opracowany system wykrywania włamań RIDS wykorzystuje głębokie, rekurencyjne sieci neuronowe. W pracy przedstawiona jest architektura sieci, jej parametry oraz atrybuty, na podstawie których identyfikowane są potencjalne ataki. Rozwiązanie zostało zweryfikowane w środowisku laboratoryjnym z wykorzystaniem robota TIAGo firmy PAL Robotics. Wyniki badań potwierdzają, że proponowany system może skutecznie wspierać proces wykrywania zagrożeń komputerowych wpływających negatywnie na funkcjonowanie systemów robotycznych.

EN

The paper addresses cybersecurity issues of mobile service robots with distributed control architecture. A novel robot intrusion detection system (RIDS) that employs deep recurrent neural networks to detect anomalies in robot performance based on sensor readings, under the assumption that attacks result in incompatible robot behavior is described. The performance of the RIDS system was evaluated in a laboratory environment using the TIAGo robot from PAL Robotics. The presented experimental results confirm that RIDS can effectively support the process of detecting computer threats that negatively affect the service robot operating.

2

Methods of process mining and prediction using deep learning

Cieplak Tomasz, Rymarczyk Tomasz, Kłosowski Grzegorz, Maj Michał, Pliszczuk Damian, Rymarczyk Paweł

Przegląd Elektrotechniczny

|

2021

|

R. 97, nr 3

146--149

EN

The first part of the article presents analytical methods to understand how processes (security or business) occur and function over time. The second part presents the concept of a predictive system using deep learning methods that would enable the prediction of subsequent operations or steps that are part of the process under consideration. The article was supplemented with a review of scientific publications related to the content and theoretical foundations were provided. The research was of an applied nature, therefore the considerations are based on the example of analysis and forecasts based on historical data contained in process logs.

PL

Pierwsza część artykułu przedstawia metody analityczne pozwalające zrozumieć, w jaki sposób procesy (dotyczące bezpieczeństwa lub biznesu) zachodzą i funkcjonują w czasie. W drugiej części przedstawiono koncepcję systemu predykcyjnego wykorzystującego metody głębokiego uczenia, które umożliwiałyby przewidywanie kolejnych operacji lub kroków wchodzących w skład rozważanego procesu. Uzupełnieniem artykułu był przegląd publikacji naukowych pod kątem merytorycznym oraz podano podstawy teoretyczne. Badania miały charakter aplikacyjny, dlatego rozważania opierają się na przykładzie analiz i prognoz opartych na danych historycznych zawartych w logach procesów.

3

Speech emotion recognition using wavelet packet reconstruction with attention-based deep recurrent neutral networks

Meng Hao, Yan Tianhao, Wei Hongwei, Ji Xun

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2021

|

Vol. 69, nr 1

art. no. e136300

EN

Speech emotion recognition (SER) is a complicated and challenging task in the human-computer interaction because it is difficult to find the best feature set to discriminate the emotional state entirely. We always used the FFT to handle the raw signal in the process of extracting the low-level description features, such as short-time energy, fundamental frequency, formant, MFCC (mel frequency cepstral coefficient) and so on. However, these features are built on the domain of frequency and ignore the information from temporal domain. In this paper, we propose a novel framework that utilizes multi-layers wavelet sequence set from wavelet packet reconstruction (WPR) and conventional feature set to constitute mixed feature set for achieving the emotional recognition with recurrent neural networks (RNN) based on the attention mechanism. In addition, the silent frames have a disadvantageous effect on SER, so we adopt voice activity detection of autocorrelation function to eliminate the emotional irrelevant frames. We show that the application of proposed algorithm significantly outperforms traditional features set in the prediction of spontaneous emotional states on the IEMOCAP corpus and EMODB database respectively, and we achieve better classification for both speaker-independent and speaker-dependent experiment. It is noteworthy that we acquire 62.52% and 77.57% accuracy results with speaker-independent (SI) performance, 66.90% and 82.26% accuracy results with speaker-dependent (SD) experiment in final.

4

Głębokie sieci neuronowe i ich zastosowania w eksploracji danych

Osowski S.

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2018

|

nr 5

112--121

PL

Artykuł dotyczy podstaw działania typowych sieci neuronowych głębokich, do których zalicza się sieci konwolucyjne (CNN), autoenkoder czy sieć LSTM. Omówiono struktury tych sieci, ich algorytmy uczenia oraz dokonano przeglądu podstawowych zastosowań owych sieci w rozwiązywaniu różnego rodzaju zadań eksploracji danych, między innymi klasyfikacji, regresji, segmentacji danych, rekonstrukcji danych i wielu innych. Przedstawiono między innymi wyniki prac dotyczących bioinżynierii, w szczególności rozpoznawanie i klasyfikację obrazów mammograficznych.

EN

The paper presents the theoretical fundamentals of deep neural networks. The basic deep structures are discussed. They include convolutional neural networks (CNN), autoencoder (AE) and recurrent network called LSTM (Long short-term memory). This paper is concerned on presentation of their typical structures and learning algorithms. The review of some chosen applications of these solutions in such tasks as classification, regression, segmentation of data, reconstruction, text and speech recognition, etc., are discussed. Some chosen numerical results concerning classification problems will be also presented and discussed.