Implementación de diferentes técnicas de Deep Generative Models para detección de eventos en Sensores Acústicos Distribuidos

Almudévar Atienza, Antonio
Ortega Giménez, Alfonso (dir.)

Universidad de Zaragoza, CIEN, 2021

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación

Resumen: En este trabajo se presentan cuatro soluciones que permiten detectar eventos en señales procedentes de sistemas de sensado acústico distribuido (DAS) haciendo uso de técnicas de aprendizaje profundo. La idea del DAS es innovadora y tiene variedad de aplicaciones, algo que motiva el desarrollo de trabajos como el presente. Las señales procedentes de estos sensores son ruidosas y requieren un tratamiento para detectar eventos. Por lo tanto, se proponen varias alternativas para llevar a cabo este tratamiento y es la continuación del trabajo desarrollado en el Trabajo de fin de grado. La idea principal es abordar el problema desde una perspectiva de detección de anomalías, el cual es un problema ampliamente estudiado y para el que existen multitud de soluciones según el escenario.
En concreto, en los últimos años, se han utilizado técnicas de aprendizaje profundo para resolver el problema de la detección de anomalías debido al buen rendimiento y flexibilidad que ofrecen. En este texto se dan cuatro propuestas basadas en conceptos como capas convolucionales y recurrentes, Autoencoders, Variational Autoencoders o Generative Adversarial Networks para procesar las señales procedentes de sensores
DAS. El rendimiento de estas propuestas se compara en términos de área bajo la
curva ROC.
El texto se divide en cinco capítulos. El primero es una introducción y sirve para presentar el problema y establecer objetivos. En el segundo se presentan los conceptos teóricos que permiten desarrollar el trabajo. En el tercero se explica la metodología de trabajo y las cuatro propuestas desarrolladas. En el cuarto se presentan el escenario de trabajo, las pruebas realizadas y los resultados obtenidos. Por último, el quinto sirve para evaluar todo el trabajo desarrollado y proponer líneas futuras de investigación.

Tipo de Trabajo Académico: Trabajo Fin de Master