I mehrere Signale für einen bestimmten Zeitraum und Zuordnen sie mit einem Zeitstempel am Tracing wie folgt:Anomalieerkennung mit maschinellem Lernen ohne Etikett
t0 1 10 2 0 1 0 ...
t1 1 10 2 0 1 0 ...
t2 3 0 9 7 1 1 ... // pressed a button to change the mode
t3 3 0 9 7 1 1 ...
t4 3 0 8 7 1 1 ... // pressed button to adjust a certain characterstic like temperature (signal 3)
wobei t0 die Stampf Stempel sind, 1 ist der Wert für das Signal 1, 10 der Wert für Signal 2 und so weiter.
Die erfassten Daten während dieses bestimmten Zeitraums sollten als normaler Fall betrachtet werden. Nun sollten signifikante Abweichungen vom Normalfall erkannt werden. Bei einer signifikanten Ableitung bedeute ich NICHT, dass ein Signalwert sich nur in einen Wert ändert, der während der Verfolgungsphase nicht gesehen wurde, sondern dass sich viele Werte ändern, die noch nicht miteinander in Beziehung standen. Ich möchte keine Regeln fest codieren, da in Zukunft mehr Signale hinzugefügt oder entfernt werden können und andere "Modi", die andere Signalwerte haben, implementiert werden können.
Kann dies über einen bestimmten Machine Learning-Algorithmus erreicht werden? Wenn eine kleine Ableitung auftritt, möchte ich, dass der Algorithmus zuerst eine geringfügige Änderung des Trainingssatzes sieht und wenn sie in der Zukunft mehrfach auftritt, sollte sie "gelernt" werden. Das Hauptziel ist es, die größeren Veränderungen/Anomalien zu erkennen.
Ich hoffe, ich könnte mein Problem ausführlich genug erklären. Danke im Voraus.