Datensatz Zitierlink: 
http://hdl.handle.net/20.500.12708/139958
-
Titel: 
Improving deep learning based anomaly detection onmultivariate time series through separated anomalyscoring
en
Zitat: 
Lundström, A., O’Nils, M., Qureshi, F., & Jantsch, A. (2022). Improving deep learning based anomaly detection onmultivariate time series through separated anomalyscoring. IEEE Access, 10, 108194–108204. https://doi.org/10.1109/ACCESS.2022.3213038
-
Verlags-DOI: 
10.1109/ACCESS.2022.3213038
-
Publikationstyp: 
Artikel - Forschungsartikel
de
Sprache: 
Englisch
-
Autor_innen: 
Lundström, Adam 
O'Nils, Mattias 
Qureshi, Faisal 
Jantsch, Axel 
-
Organisations­einheit: 
E384-02 - Forschungsbereich Systems on Chip 
-
Zeitschrift: 
IEEE Access 
-
ISSN: 
2169-3536
-
Datum (veröffentlicht): 
2022
-
Umfang: 
11
-
Verlag: 
IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC
-
Peer Reviewed: 
Ja
-
Keywords: 
Anomaly detection; anomaly scoring; Deep learning (DL); multivariate time series (MVTS)
en
Forschungs­schwerpunkte: 
Computer Engineering and Software-Intensive Systems: 100%
-
Wissenschafts­zweig: 
2020 - Elektrotechnik, Elektronik, Informationstechnik: 100%
-
Enthalten in den Sammlungen:
Article

Zur Langanzeige

Seiten Aufrufe

103
aufgerufen am 01.12.2023

Google ScholarTM

Check