prikaz prve stranice dokumenta Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima
No public access
master's thesis
Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:640155
Barišić, Marko
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Barišić, M. (2020). Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:640155

Barišić, Marko. "Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:640155

Barišić, Marko. "Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:640155

Barišić, M. (2020). 'Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 27 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:640155

Barišić M. Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 December 27] Available at: https://urn.nsk.hr/urn:nbn:hr:168:640155

M. Barišić, "Detekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:640155

Metadata
TitleDetekcija anomalija iz zvuka u kontekstu pametnog doma primjenom nenadziranog učenja na rubnim uređajima
Title (english)Detecting Anomalies from Sound in the Context of Smart Home Using Unsupervised Learning on Edge Devices
AuthorMarko Barišić
MentorIvana Podnar Žarko (mentor)
Committee memberIvana Podnar Žarko (predsjednik povjerenstva)
Committee memberMario Kušek (član povjerenstva)
Committee memberPavle Skočir (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2020-07-09, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
U ovom radu se istražuje nenadzirana detekciju anomalija iz zvuka, pošto postoji velik broj primjena koje imaju transformativni potencijal, poput one u tvornicama te u pametnom domu. Kako bi osigurali efikasnu identifikaciju anomalija s malim kašnjenjem i neovisno o internetskoj vezi, a što je potrebno u mnogim primjenama, za zaključivanje koristimo rubni uređaj postavljen blizu lokacije senzora. Pošto radimo sa sekvencijskim podacima, koristit ćemo LSTM jedinice. Treniramo mrežu, mijenjamo više veličina neuronske mreže na različitim uređajima te procijenjujemo rezultate metrikama poput vremena zaključivanja, točnosti, F1 i ROC. Rezultati pokazuju da je naša najbolja neuronska mreža spremna generalizirati u desetini sekunde na pristupačnom rubnom uređaju. Predlažemo daljnje korake istraživanja radi unaprijeđenja arhitekture neuronske mreže i početak primjene rješenja u praksi.
Abstract (english)
This thesis researches unsupervised sound anomaly detection, as there are many use-cases, including factories and smart homes, with transformative potential. To make sure that anomalies are identified efficiently and with low-latency without dependence on an Internet connection, which is needed for multiple uses, we use an edge device to infer closer to the sensor location. Since we work with time-series data, our architecture is made of LSTM units. We train the network, vary multiple neural network sizes on multiple devices and evaluate the results with metrics like inference time, accuracy, F1 and ROC. The results point out that the best performing network has a generalization power in around one-tenth of a second and can be performed on an affordable edge device. We propose further research steps to improve the neural network architecture and start applying the solution in practice.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:640155
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 09:44:18