EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Anomaly Detection in Binary Time Series Data: An unsupervised Machine Learning Approach for Condition Monitoring

Gábor Princz, Masoud Shaloo, Selim Erol

Procedia Computer Science · 2024 · 232 · 1065-1078

DOI: 10.1016/j.procs.2024.01.105 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Procedia Computer Science, 2024. Verfasst von Gábor Princz und 2 weiteren Autor:innen. Die Arbeit wurde bisher 8-mal zitiert (Crossref) und nennt 49 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0). Gefördert von: FFG.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Förderung

  • FFG

Zitieren

APA

Princz, G., Shaloo, M., & Erol, S. (2024). Anomaly Detection in Binary Time Series Data: An unsupervised Machine Learning Approach for Condition Monitoring. Procedia Computer Science, 232, 1065-1078. https://doi.org/10.1016/j.procs.2024.01.105

Vancouver

Princz G, Shaloo M, Erol S. Anomaly Detection in Binary Time Series Data: An unsupervised Machine Learning Approach for Condition Monitoring. Procedia Computer Science. 2024;232:1065-1078. doi:10.1016/j.procs.2024.01.105

BibTeX
@article{Princz2024,
  author = {Princz, Gábor and Shaloo, Masoud and Erol, Selim},
  title = {Anomaly Detection in Binary Time Series Data: An unsupervised Machine Learning Approach for Condition Monitoring},
  journal = {Procedia Computer Science},
  year = {2024},
  volume = {232},
  pages = {1065--1078},
  doi = {10.1016/j.procs.2024.01.105}
}
Kostenlos starten →