Oehmcke, Stefan (2018) Deep learning of virtual marine sensors. PhD, Universität Oldenburg.

[img]
Preview


Volltext (21Mb)

Abstract

This thesis proposes an approach to build virtual sensors based on machine learning to replace broken physical sensors. These virtual sensors are trained with sensor data from the Time Series Station Spiekeroog (TSS) and the Biodiversity-Ecosystem Functioning across marine and terrestrial ecosystems (BEFmate) project in the Wadden Sea. In the first part of my work, I begin by explaining the data and its preprocessing. Next, an unsupervised extreme event detection task on the TSS data with a subsequent expert evaluation is presented. I propose an imputation method for longer consecutively missing values, which penalizes previously interpolated values based on the length of the gaps with a k-nearest neighbors approach. In the second part, I design a neural network architecture to model broken sensors. The foundation is a bidirectional recurrent neural network with long short-term memory (bLSTM) that utilizes my time dimensionality reduction method exPAA. Then, I introduce convolutional layers, uncertainty predictions, and my input quality based dropout layer to the architecture, which proves to outperform the architecture with only bLSTM layers.

["eprint_fieldname_title_plus" not defined]

Deep Learning für virtuelle marine Sensoren

["eprint_fieldname_abstract_plus" not defined]

Diese Arbeit stellt einen Ansatz vor, wie virtuelle Sensoren basierend auf maschinellem Lernen erstellt werden können, um nicht funktionierende physikalische Sensoren zu ersetzen. Diese virtuellen Sensoren werden mit Daten von der Time Series Station Spiekeroog (TSS) und dem BEFmate-Projekt im Wattenmeer trainiert. Im ersten Teil meiner Arbeit erkläre ich die Daten und deren Vorverarbeitung. Als nächstes wird eine unüberwachte Extremereigniserkennungsaufgabe auf den TSS-Daten präsentiert. Dann schlage ich eine Imputationsmethode für fortlaufend fehlende Werte vor, welche zuvor interpolierte Werte basierend auf der Lückenlänge und einem k-nächste-Nachbarn-Verfahren bestraft. Im zweiten Teil entwickle ich eine neuronale Netzwerkarchitektur, um ausgefallene Sensoren zu modellieren. Die Grundlage ist ein bidirektionales rekurrentes Netzwerk mit Langzeit-Kurzzeitgedächtnis (bLSTM), welches meine zeitliche Dimensionalitätsreduktionsmethode exPAA verwendet. Ich führe Schichten mit Faltungen, Unsicherheitsvorhersagen und meine auf Eingangsqualität basierendes Dropout hinzu, welche sich als besser als das bLSTM-Netz erweist.

Item Type: Thesis (PhD)
Uncontrolled Keywords: Neuronales Netz, Rückkopplung, Virtueller Sensor, Meeresökosystem
Subjects: Generalities, computers, information > Computer science, internet
Divisions: School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited: 26 Jun 2018 14:33
Last Modified: 27 Jun 2018 09:00
URI: https://oops.uni-oldenburg.de/id/eprint/3613
URN: urn:nbn:de:gbv:715-oops-36948
DOI:
Nutzungslizenz:

Actions (login required)

View Item View Item

Document Downloads

More statistics for this item...