CN101854225B - 从位置数据流检测目标状态改变的方法和系统 - Google Patents

Abstract

本发明提出了从位置数据流检测目标状态改变的方法和系统。该方法包括：记录目标在先状态B_L；从位置数据流逐个接收位置数据；在每次接收到位置数据时，确定目标由在先状态B_L改变到每个状态B_i(i＝1，2，...I)的累积状态变化趋势；以及根据所确定的累积状态变化趋势，检测位置数据流中是否存在状态改变点。在检测到状态改变点时，本发明的方法还能够对状态改变点的位置以及目标改变后的状态进行描述。与现有技术相比，本发明的目标状态改变检测方法更加快速、准确并且检测结果具有描述性。

Description

从位置数据流检测目标状态改变的方法和系统

技术领域

本发明一般地涉及位置数据流的处理，更具体而言，涉及用于从位置数据流检测目标状态改变的方法和系统。

背景技术

作为上下文感知计算的基础，移动目标(用户或实物)的状态一般可以根据目标的实时位置数据进行挖掘和推断。关于状态挖掘，对目标状态改变的检测是关键的步骤。基于检测到的目标状态改变，可以按照上下文向用户提供各种服务。应用通常要求状态改变检测能够具备以下特点：1)尽可能地快速；2)准确(错误报警很少)；3)具备描述性，即，不仅能够说明何时发生状态改变，还能够说明发生了哪种状态改变。然而，现有技术尚无法完全满足上述需求。

状态改变检测的目标在于通过处理观察到的位置数据流来检测状态改变点和目标状态改变的模式。当前，现有技术中已经存在多种相关方案，这些方案集中在通过处理实时数据流来检测所发生的状态模式改变。例如，在Kenji Yamanishi和Jun-ichi Takeuchi所发表的论文“A unifyingframework for detecting outliers and change points from non-stationary timeseries data”中提出一种AR(自回归)模型，该AR模型用于表示时间序列数据的统计行为。该论文还提出一种SDAR(顺序折扣自回归模型学习)方法，用于在线学习AR模型，以描述潜在的统计行为。基于所学习的AR模型，该方法利用评分功能来进行异常点(outlier)以及改变点检测。

另外，在Shai Ben-David等人所发表的论文“Paper：Detecting Changesin Data Streams”中提出了一种检测数据流中的变化的非参数方法。该方法使用具有不同长度的滑动窗和特征窗来执行并行差异检测，从而将检测变化的问题转换成测试是否生成具有不同分布的两个样本的问题。

图1示出了上述由Shai Ben-David等人所提出的状态改变检测系统的结构框图。方案中数据流由某种未知概率分布独立生成，一次一个数据点。由于要求数据流处理算法具备足够存储能力以存储数据流的全部历史是不实际的，因此该方案将其状态改变检测算法基于一种双窗模型。该算法将“特征窗”中的数据与“滑动窗”中的数据相比较。“特征窗”和“滑动窗”两者都包含固定数目的连续数据点。“滑动窗”以每次传入一个新数据点的方式向前滑动，而作为参考窗的“特征窗”在检测到改变时被更新。在图1的示例中示出了总共K对滑动窗和特征窗。利用这K对滑动窗和特征窗，该系统可以通过一种并行变化判断方法、基于并行窗比较来检测状态改变。

如图1所示，该状态改变检测系统包括K个差异测试装置101-1、101-2、...101-K，这K个差异测试装置分别具有窗长度L₁、L₂、...L_K。另外，该系统还包括位置数据流更新装置102、并行状态改变判决装置103和最近状态改变点报告装置104。位置数据流更新装置102用于不断更新外部的位置数据流，以将最新的位置数据包括进来。最新位置数据被提供到差异测试装置101-1、101-2、...101-K，以用于更新其中的滑动窗。各个差异测试装置101-1、101-2、...101-K中所包括的滑动窗更新单元将滑动窗向前移动以添加最新位置数据并删除旧的位置数据。滑动窗在每次有新位置数据到达时都会被更新。差异测试装置101-1、101-2、...101-K中的特征窗更新单元在每次检测到新的状态改变时更新特征窗。特征窗是一种静态窗，其总是移动到最近检测到的状态改变点，并一直保持静态，直到检测到新的状态改变。各个差异测试装置101-1、101-2、...101-K中还包括距离计算单元，其用于计算滑动窗数据和特征窗数据之间的距离d_i＝D_i(SW_i，FW_i)，i＝1，2，...K。并行状态改变判决装置103接收分别来自K个具有不同长度的差异测试装置101-1、101-2、...101-K的距离计算结果，并且并行检查K个不等式，即，是否有d_i＞t_i(i＝1，2，...K)，t_i是对应于差异测试装置101-i的距离计算结果的阈值。如果在某些分支中检测到状态改变(使得d_i＞t_i)，并行状态改变判决装置103则对这些分支的结果进行折衷并确定状态改变点。最近状态改变点报告装置104随后可以将并行状态改变判决装置103所确定的最新状态改变点报告给应用(未示出)以及各个特征窗。

为了更好地说明图1所示现有技术系统的操作，图2A、图2B和图2C给出了一个具体示例。如图2A所示，在该示例中考虑一种由位置数据“1”和“2”构成的简单位置数据流。并行差异测试通过两条途径来进行，即分别采用长度L₁＝4和L₂＝1的特征窗。根据最近一次的数据流特征的检测，两个特征窗分别被初始化为FW₁＝{2，2，2，2}和FW₂＝{2}。初始滑动窗分别为SW₁＝{2，2，2，2}和SW₂＝{2}。滑动窗以每次移动一个时间点的方式向前移动。在并行测试中使用的距离函数如下：

$D_i=\underset{j=1}{\overset{L_i}{\mathrm{\Σ}}}{({\mathrm{sw}}_j-{\mathrm{fw}}_k)}^2/L_i,$ i＝1，2

并且设定阈值t₁＝t₂＝1。因此，针对使用SW₁和FW₁的差异测试(窗长度为4)，图2B示出逐步进行的测试结果。根据图2B中的结果，当窗长度为4时，在时间t₁₀处检测到状态改变。针对使用SW₂和FW₂的差异测试(窗长度为1)，图2C示出逐步进行的测试结果。根据图2C中的结果，当窗长度为1时，在时间t₄处检测到状态改变。

由此可见，在Shai Ben-David等人所提出的现有技术中，不同窗长度的差异测试将导致不同的状态改变检测点，从而难以进行判断。另外，该方法难以平衡“快速”和“准确”两方面的要求。窗尺寸过大可能导致检测延迟，而窗尺寸过小可能导致错误报警，不同的改变检测之间难以进行折衷。

另外，具有K个并行分支的差异测试的计算复杂度过高，而且对用户而言，窗尺寸、距离函数和阈值都难以选择。

发明内容

鉴于现有技术的上述问题而研制了本发明。利用本发明，不仅能够检测出位置流中是否发生了状态改变，还能够检测出具体的状态改变点以及改变后的目标状态。

根据本发明一个方面，提出了一种从位置数据流检测目标状态改变的方法，其包括：记录目标在先状态B_L；从位置数据流逐个接收位置数据；在每次接收到位置数据时，确定目标由在先状态B_L改变到每个状态B_i(i＝1，2，...I)的累积状态变化趋势；以及根据所确定的累积状态变化趋势，检测位置数据流中是否存在状态改变点。

根据本发明另一方面，提出了一种从位置数据流检测目标状态改变的系统，其包括：位置数据接收装置，用于从位置数据流逐个接收位置数据；在先状态记录装置，用于记录目标在先状态B_L；累积状态变化趋势确定装置，用于在每次接收到位置数据时，确定目标由在先状态B_L改变到每个状态B_i(i＝1，2，...I)的累积状态变化趋势；以及改变点检测装置，用于根据累积状态变化趋势确定装置所确定的累积状态变化趋势，检测位置数据流中是否存在状态改变点。在一个实施例中，本发明的系统还可以包括描述装置，用于在检测到状态改变点的情况下，对状态改变点的位置以及目标改变后的新状态进行描述。

为了解决现有技术中的问题，在本发明中提出了状态概率模型和状态改变假设的概念，其中状态概率模型表征从每种位置数据映射到每种目标状态的概率，而状态改变假设用于对状态改变建模，其中每种假设映射到一种状态改变。

与现有技术相比，本发明所提出的检测目标状态改变的方法和系统具有多种优势。根据本发明，状态改变检测在每次新位置数据到达时顺序执行，因此与现有技术相比更加快速。另外，本发明可以自适应地检测不同规模的改变，而无需像现有技术那样使用并行的多个窗，因此准确性得以提高。而且，利用本发明的方法能够检测出状态改变点的具体位置以及目标改变后的状态，因此具备描述性。利用本发明的方法，用户无需设置窗尺寸、距离函数等，因此为用户操作带来更多便利。

从下面结合附图的详细描述中，可以看出本发明的其他特征和优点。注意，本发明的范围并不限于图中所示的示例或者任何具体的实施例。

附图说明

结合附图，从下面对本发明实施例的详细描述，将更好地理解本发明，附图中类似的参考标注指示类似的部分，其中：

图1是示出根据现有技术的状态改变检测系统的结构框图；

图2A、图2B和图2C是用于说明图1所示现有系统的工作原理的示例的示意图；

图3是根据本发明一个实施例的状态改变检测系统300的结构框图；

图4是示出图3所示系统的工作过程的一个示例的流程图；

图5是用于说明图3所示系统的工作原理的示例的示意图；

图6是根据本发明另一实施例的状态改变检测系统600的结构框图；以及

图7是用于说明图6所示系统的工作原理的示例的示意图。

具体实施方式

如前所述，在本发明中提出了状态概率模型和状态改变假设的概念，用于辅助目标状态变化的检测。根据本发明，目标状态改变是通过顺序评价位置数据流中的每个最新位置数据来检测的，以找到相对于在先状态重要的状态改变点。

图3示出根据本发明一个实施例的状态改变检测系统300的结构框图。如图3所示，系统300包含位置数据流更新装置301、位置数据接收装置302、在先状态记录装置303、累积状态变化趋势确定装置304、改变点检测装置305、描述装置306(可选)、重要性检查装置307(可选)、最近状态改变点报告装置308以及用于存储状态概率模型和状态改变假设的存储器309。在图3中，针对本发明的优选实施例，描述装置306和重要性检查装置307作为可选模块以虚线框形式示出。存储器309中存储的从位置数据到目标状态的概率关系预先由应用指定。在该系统中，位置数据流更新装置301和最近状态改变点报告装置308的工作原理与图1所示现有系统相同，分别用于更新位置数据流以及报告最新的状态改变点和目标改变后的状态，在此不再对这些组件进行赘述。

位置数据接收装置302逐个接收来自位置数据流更新装置301的最新位置数据x_n(n＝w，w+1，...N)以对其进行状态检测。在先状态记录装置303记录在最近一次状态变化检测点x_w时目标的在先状态B_L，并将其输入到累积状态变化趋势确定装置304。累积状态变化趋势确定装置304在每个位置数据x_n(n＝w，w+1，...N)到达时，确定目标从在先状态B_L改变到每个状态B_i(i＝1，2，...I)的累积状态变化趋势。作为示例，累积状态变化趋势确定装置304例如可以执行一种特定的顺序假设测试，以计算目标从在先状态B_L变化到每种状态B_i(i＝1，2，...I)的累积状态变化概率比(随后将详细描述)。然后，改变点检测装置305可以通过检查累积状态变化趋势确定装置304所确定的针对每种状态的累积状态变化趋势来判断目标状态是否发生了改变。例如，如果针对所有状态都没有显示出明显的累积状态变化趋势(例如，计算出的累积状态变化概率比都为零)，则改变点检测装置305可以确定目标没有发生状态改变。相反，如果有针对某一状态的累积状态变化趋势不为零，改变点检测装置305则可以确定在位置数据流中存在状态改变点。在存在状态改变点的情况下，可选地，描述装置306可以进一步描述状态改变点的具体位置以及目标改变后的新状态。在本发明中，描述装置306的应用使得本发明相对于现有技术更加具备描述性。例如，在一个实施例中，描述装置306可以通过找到与到目前为止目标针对各种状态的累积状态变化趋势中最为明显的变化趋势相对应的状态，来作为目标的当前状态，并以目标变化到该状态的起始变化点作为状态改变点。

另外，可选地，在改变点检测装置305检测出状态改变点的情况下，重要性检查装置307可被用于对这种状态变化的重要性进行检查。例如，重要性检查装置307可以通过将计算出的所有累积状态变化趋势中最明显的变化趋势与一预定阈值相比较来判断该状态变化是否足够重要。如果比较结果显示这种变化趋势大于阈值，则可以确定检测到重要的状态改变点。否则，则可能不考虑这次状态变化。经过重要性检查，位置数据流中发生的足够重要的状态改变点以及改变后的目标状态可以通过最近状态改变点报告装置308反馈给在先状态记录装置303，以更新目标在先状态并用于随后的状态变化检测。

图4是示出图3所示系统的工作过程的一个示例的流程图。如图4所示，过程400开始于步骤401，在该步骤中，位置数据接收装置302从位置数据流接收最新位置数据x_n，并且在先状态记录装置303记录目标在先状态B_L。然后，累积状态变化趋势确定装置304可以根据预先存储在存储器308中的状态概率模型和状态改变假设来确定到目前时刻为止目标针对各种状态的累积状态变化趋势。

状态概率模型定义的是从位置数据到每种目标状态B_i(i＝1，2，...I)的发生概率。即，

1.目标状态集合：{B_i，i＝1，2，...I}

2.位置数据集合：{x_j，j＝1，2，...J}

3.状态概率模型：{P(x_j|B_i)，i＝1，2，...I；j＝1，2，...J}表示位置数据为x_j时目标处于状态B_i的概率。例如，应用可以定义：如果用户在办公室中(假设位置数据为1)，则用户正在工作的概率(可能性)为90％，等等。

状态改变假设可以表征目标状态的改变。例如，可以按如下方式定义状态改变假设：

H₀：目标状态没有发生改变；

H_i：目标状态从在先状态B_L改变到状态B_i(i＝1，2，...I)。

返回图4，在步骤402中，作为示例，累积状态变化趋势确定装置304可以通过计算位置数据x_n的对数假设检验概率比Rⁿ(H_i|H₀)以及累积状态变化概率比T_i ⁿ来表示目标的各种状态变化趋势。就是说，当新的位置数据x_n到达时，累积状态变化趋势确定装置304按照如下等式(1)来计算x_n的对数假设检验概率比Rⁿ(H_i|H₀)：

$R^n\left(H_i\right|H_0)=\log \frac{L\left(B_i\right|x_n)}{L\left(B_L\right|x_n)}=\log \frac{\mathrm{Pr}\left(x_n\right|B_i)}{\mathrm{Pr}\left(x_n\right|B_L)}$ (i＝1，2，...I)          (1)

其中，Rⁿ(H_i|H₀)表示当x_n到达时目标状态从在先状态B_L改变到状态B_i的概率比。Rⁿ(H_i|H₀)为正值则意味着状态从B_L变化到B_i的可能性很高。相反，Rⁿ(H_i|H₀)为负值则表示这种状态变化可能性很低。

然后，在步骤403中，累积状态变化概率比T_i ⁿ被计算：

$T_i^n=\max (0,T_i^{n-1}+\log \frac{\mathrm{Pr}\left(x_n\right|B_i)}{\mathrm{Pr}\left(x_n\right|B_L)})$ (i＝1，2，...I)          (2)，

如前所述，T_i ⁿ可以被用于表征到位置数据x_n到达时为止，目标从在先状态B_L改变到每种状态B_i(i＝1，2，...I)的累积状态变化趋势。

在累积状态变化趋势确定装置304针对位置数据x_n已经计算出针对各个状态B_i(i＝1，2，...I)的所有累积状态变化概率比T₁ ⁿ至T_I ⁿ之后，在步骤404中，改变点检测装置305从这些累积概率比中找到最大值，即状态变化趋势最明显的状态变化。即，最大累积状态变化概率比被确定为：

$T_{i^{*}}^n=\underset{1\≤i\≤I}{\max }\left\{T_i^n\right\}---\left(3\right).$

然后，在步骤405中，改变点检测装置305判断最大累积状态变化概率比是否为零。如果最大累积状态变化概率比为零，则表示在位置数据流中没有发生任何状态变化。在此情况下(步骤405中的“否”)，过程400返回步骤401，以接收新的位置数据并继续状态变化检测。如果最大累积状态变化概率比不为零(步骤405中的“是”)，过程400则前进至步骤406。在步骤406中，图3所示系统300中的描述装置306可以根据计算出的最大累积状态变化概率比来描述状态改变点的具体位置以及目标改变后的状态。

具体而言，在步骤406中，描述装置306可以首先根据最大累积状态变化概率比确定与之相对应的状态变化假设，并从该状态变化假设确定目标变化后的新状态。同时，描述装置306还可以根据下述公式(4)来找到该状态变化点的具体位置λ^*：

${\mathrm{\&lambda;}}^{*}=\underset{w<\mathrm{\&lambda;}\&le;n}{\max }\left\{\mathrm{\&lambda;}\right|T_{i^{*}}^n=0,w<\mathrm{\&lambda;}\&le;n\}---\left(4\right).$

可选地，在步骤407中，重要性检查装置306可以对改变点检测装置305检测出的具有最明显状态变化趋势的状态变化的重要性进行判断。例如，重要性检查装置306可以将最大累积状态变化概率比与一预定阈值Th相比较。如果大于Th，则在步骤408中，相应的状态改变点可以被接受和记录。相反，如果小于阈值Th，则不考虑该状态改变点(步骤409)。然后，在步骤410中，被接受的状态改变点的位置λ^*以及改变后的状态可以通过最近状态改变点报告装置308报告给在先状态记录装置303以更新其中的目标在先状态B_L。更新后的在先状态可以被用于随后的状态变化检测。

图5是用于说明图3所示系统的工作原理的一个示例的示意图。在该示例中，考虑状态模型具有状态集合{B₁，B₂}以及位置数据集合{1，2}，并且假设在x_w时目标在先状态为B_L＝B2。状态概率模型例如可以被如下定义：

P(x_i＝1|B₁)＝0.8；P(x_i＝1|B₂)＝0.2；

P(x_i＝2|B₁)＝0.1；P(x_i＝2|B₂)＝0.9

在此情况下，状态改变假设可以如下定义：

H₀：状态没有发生变化；

H₁：状态从B_L＝B2变化到B₁

参考图4所示工作流程可以检测该位置数据流中的状态变化，检测结果在图5中被详细示出。由于在位置数据x_w+5、x_w+8和x_w+9的位置上计算出不为零的累积状态变化概率比，因此可以判断出在这些位置上可能存在目标状态变化。如果在重要性检查过程中设置阈值Th为1，则可以在x_w+9时检测到重要的状态改变，该状态变化发生在x_w+7时。

图6是根据本发明另一实施例的状态改变检测系统600的结构框图。与图3所示系统300的结构相对照，可以发现系统600的不同之处在于还包括状态改变权重存储器601。

在图3所示的实施例中，所有状态变化被平等对待。然而，在实际应用中，不同的状态变化通常具有不同的重要性。鉴于此，本发明提出图6所示的实施例来解决这一问题。状态改变权重存储器601可以用于存储与不同状态变化的重要性相对应的权重，其中一种状态变化的重要性越高，分配给这种状态变化的权重则越大。通过这种修改，本发明可以实现如下附加效果：由于不同状态变化被赋予不同权重，因此使得重要的状态变化可以更高概率被检测到，从而可以更加快速地检测到该重要的状态变化。

如图6所示，状态改变权重存储器601中存储了与不同状态改变假设相对应的权重。例如，对于给定的假设：H₀：状态没有发生变化；H_i：状态从B_L变化到B_i(i＝1，2，...I)，可以定义权重w(B_i|B_L)，其表示与假设H_i相对应的权重。

相应的权重w(B_i|B_L)被提供到累积状态变化趋势确定装置304以对各个时刻计算出的累积状态变化趋势进行加权。具体而言，累积状态变化趋势确定装置304用于计算累积状态变化概率比T_i ⁿ的上述等式(2)可以作如下修改：

$T_i^n=\max (0,T_i^{n-1}+w\left(B_i\right|B_L)\log \frac{\mathrm{Pr}\left(x_n\right|B_i)}{\mathrm{Pr}\left(x_n\right|B_L)})$ (i＝1，2，...I)           (2′)

这样一来，可以使得重要的状态变化以更高的概率被检测到，并在重要性检查时作为重要状态改变被确认下来。

相应地，图5示出的示例经过上述修改可以被示为图7所示出的过程。在该示例中，假设权重被设定为：w(B₁|B₂)＝2.0；w(B₂|B₁)＝1.0，由此可见，从状态B₂到B₁的改变更加重要。回顾图5所示的实施例，其中在x_w+5时检测到的状态改变没有通过重要性检查，因此没有被看作状态改变点。但是，在图7所示示例中，通过分配权重，在x_w+5时检测到的从B₂到B₁的状态改变由于是重要改变而被接受作为一个确认的状态改变点。因此，可以看出，通过加权，重要的状态变化可以按更高概率被检测到，从而使得重要状态变化的检测更加快速而准确。

以上已经参考附图详细描述了根据本发明的目标状态改变检测方法和系统的具体实施例。参考以上描述可以看出，与现有技术相比，本发明所提出的检测目标状态改变的方法和系统更加快速、准确、并且能够具备描述性。

虽然上面虽然已经描述了根据本发明的具体实施例，但是，本发明并不限于图中示出的特定配置和处理。另外，为了简明起见，这里省略对已知方法技术的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本发明的元素可以实现为硬件、软件、固件或者它们的组合，并且可以用在它们的系统、子系统、部件或者子部件中。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

本发明可以以其他的具体形式实现，而不脱离其精神和本质特征。例如，特定实施例中所描述的算法可以被修改，而系统体系结构并不脱离本发明的基本精神。因此，当前的实施例在所有方面都被看作是示例性的而非限定性的，本发明的范围由所附权利要求而非上述描述定义，并且，落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明的范围之中。

Claims (6)

1.一种从位置数据流检测目标状态改变的方法，包括：

记录目标在先状态B_L；

从位置数据流逐个接收位置数据；

在每次接收到位置数据时，确定目标由所述在先状态B_L改变到每个状态B_i(i＝1，2，...I)的累积状态变化趋势；以及

根据所确定的累积状态变化趋势，检测所述位置数据流中是否存在状态改变点，其中

所述确定累积状态变化趋势的步骤包括：根据预先存储的状态概率模型和状态改变假设，来确定所述累积状态变化趋势，

其中所述确定累积状态变化趋势的步骤包括：

根据预先存储的状态概率模型和状态改变假设，按照如下公式来计算接收到的每个所述位置数据x_n的对数假设检验概率比Rⁿ(H_i|H₀)：

$R^n=\left(H_i\right|H_0)=\log \frac{L\left(B_i\right|x_n)}{L\left(B_L\right|x_n)}=\log \frac{\mathrm{Pr}\left(x_n\right|B_i)}{\mathrm{Pr}\left(x_n\right|B_L)},$

其中所述状态概率模型表征从每种位置数据映射到每种目标状态的概率，所述状态改变假设H_i(i＝0，1，...I)表征目标状态改变，其中H₀表示目标状态没有发生改变，H_i(i＝1，...I)表示目标状态从所述在先状态B_L改变到状态B_i(i＝1，2，...I)；以及

根据如下公式来计算接收到所述位置数据x_n时的累积状态变化概率比T_i ⁿ：

${T_i}^n=\max (0,{T_i}^{n-1}+\log \frac{\mathrm{Pr}\left(x_n\right|B_i)}{\mathrm{Pr}\left(x_n\right|\mathrm{BL})}),$

所述累积状态变化概率比T_i ⁿ被用于描述在接收到所述位置数据x_n时，所述目标从所述在先状态B_L改变到状态B_i的累积状态变化趋势。

2.如权利要求1所述的方法，其中所述检测步骤包括：

从在接收到所述位置数据x_n时计算出的所有累积状态变化概率比T_i ⁿ(i＝1，2，...I)中找到最大值以及

如果则表明所述位置数据流中存在状态改变点。

3.如权利要求2所述的方法，还包括：

在检测到所述状态改变点的情况下，按如下公式确定所述状态改变点的位置λ^*：

${\mathrm{\&lambda;}}^{*}=\underset{w<\mathrm{\&lambda;}\&le;n}{\max }\left\{\mathrm{\&lambda;}\right|T_{i*}^n=0,w<\mathrm{\&lambda;}\&le;n\};$ 并且

根据与所述最大累积状态变化概率比相对应的状态改变假设H_i*，来确定所述目标改变后的状态，其中

w表示最近一次状态变化检测点的位置数据对应的位置，n表示所述位置数据x_n对应的位置。

4.如权利要求3所述的方法，还包括：

将所述最大累积状态变化概率比与一预定阈值相比较；

如果所述最大累积状态变化概率比大于所述阈值，则接受相应的状态改变点λ^*，否则，则丢弃该状态改变点λ_*。

5.如权利要求1所述的方法，其中在所述确定累积状态变化趋势的步骤中，对所确定的目标由所述在先状态B_L改变到每个状态B_i(i＝1，2，...I)的累积状态变化趋势进行加权，其中加权策略反映目标状态改变的重要性，越重要的状态改变被赋予越高的权重。

6.如权利要求1所述的方法，其中根据如下公式来计算所述累积状态变化概率比T_i ⁿ：

${T_i}^n=\max (0,{T_i}^{n-1}+w\left(B_i\right|B_L)\log \frac{\mathrm{Pr}\left(x_n\right|B_i)}{\mathrm{Pr}\left(x_n\right|\mathrm{BL})}),$

其中w(B_i|B_L)是所述目标由所述在先状态B_L改变到状态B_i(i＝1，2，...I)的权重。