CN101871928A - 一种基于免疫否定选择的水质异常检测方法 - Google Patents

Abstract

一种基于免疫否定选择的水质异常检测方法，包括以下步骤：1)以斑马鱼作为生物监测对象对其进行实时监测；2)采用基于粒子滤波的多目标跟踪算法，实时检测跟踪斑马鱼，得到斑马鱼的跟踪视频序列；3)水质数据分析检测，包括以下过程：3.1)对自我集进行高频变异产生大量新型数据，同时，对非我集进行低频变异；3.2)、基于否定选择的检测器生成算法产生成熟检测器3.3)、采用期望覆盖与重叠率计算(W)相结合的方式来判断检测器集合是否成熟；3.4)、利用成熟检测器对实时水质数据进行在线检测，最终实现水质的异常在线检测。本发明不需要大量异常数据、降低检测成本、提高检测的实时性。

Description

一种基于免疫否定选择的水质异常检测方法

技术领域

本发明涉及生物水质监测、计算机视觉、人工免疫、水质安全等领域，提出了一种智能水质异常的检测方法。

背景技术

水质异常检测是以被监控水质的正常数据指标作为基准，通过检查水质的当前数据指标与正常数据指标的偏差程度来确定是否发生了水质异常。其本质上是一种分类问题，即将数据划分为正常数据或异常数据。异常检测的目的就是确定系统是否处于正常工作状态。系统的工作状态可以通过特征集合描述出来，异常检测问题定义如下：

定义1状态空间：状态空间X通过特征向量x表示，x＝{x₁，...，x_n}，x_i∈[0，1]]。x_i表示第i个水质检测指标；

定义2自我区域与非我区域：状态空间X基于阈值向量划分为自我区域S和非我区域NS，且NS＝X-S，用特征函数x_S-NS表示自我-非我空间，通过特征函数，产生映射：[0，1]ⁿ→{0，1}，即：

$x_{S-\mathrm{NS}}=\left\{\begin{array}{cc}0,& x\∈S\\ 1,& x\∈\mathrm{NS}\end{array}\right.---\left(1\right)$

定义3异常检测：给定正常样本集

建立对正常空间的特征评价函数x_S-NS，根据x_S-NS确定系统正常或异常状态。

传统的水质检测方法大多采用理化监测结合统计模型分析方式，对水质数据进行提取和检测，首先采用理化监测采集水质数据，然后构建统计模型对水质数据进行分析检测。传统方法的缺陷在于：1、水质数据指标采集大多采用人工方式进行定时采集，导致采集具有滞后性，不能应对突发性水质污染的检测；2、由于采用理化监测，需要用到一系列用于分析、检测的仪器设备，导致检测成本居高不下；3、基于统计模型的水质检测方法忽略了水质指标之间的相关性影响，而实际水体质量的状态往往是多个指标互相共同影响的结果；4、传统的水质异常检测方法不但需要正常样本数据而且还需要大量异常样本数据，但是在大多数情况下异常样本数据难以获得。

发明内容

为了克服已有的水质异常检测方法的需要大量异常数据、检测成本高、实时性差的不足，本发明提供一种不需要大量异常数据、降低检测成本、提高检测的实时性的基于免疫否定选择的水质异常检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于免疫否定选择的水质异常检测方法，包括以下步骤：

1)以斑马鱼作为生物监测对象对其进行实时监测，根据其行为模式实现水体质量的在线监测；

2)采集和提取斑马鱼的运动特征：采用基于粒子滤波的多目标跟踪算法，实时检测跟踪斑马鱼，定义基于粒子滤波的多目标跟踪模型，描述如下：

离散随机变量x_t和z_t分别表示系统在t时刻的状态和与之对应的观测值，则X_t＝{x₁Lx_t}和Z^t＝{z₁Lz_t}分别表示系统在t时刻之前的一系列状态和观测值；根据当前的状态和观测来求得目标状态的后验概率密度：

$p\left(x_t\right|Z^t)=\frac{p\left(z_t\right|x_t,Z^{t-1})p\left(x_t\right|Z^{t-1})}{p\left(z_t\right|Z^{t-1})}---\left(4\right)$

$p\left(x_t\right|Z^t)\∝p\left(z_t\right|x_t){\∫}_{x_{t-1}}p\left(x_t\right|x_{t-1})p\left(x_{t-1}\right|Z^{t-1}){\mathrm{dx}}_{t-1}---\left(5\right)$

其中，p(x_t|x_t-1)表示状态转移概率密度，p(z_t|x_t)表示状态的观测概率密度，分别由状态动态模型和状态观测模型得到，p(x_t-1|Z^t-1)是t-1时刻的后验概率密度；

使用一组带权值的样本粒子集合

来近似的估计公式(4)中的状态后验概率密度p(x_t|Z^t)，基于粒子滤波的目标跟踪是一个迭代滤波的过程，分为预测和更新两个阶段，每一个粒子

表示目标x_t的一个状态假设，而权值表示粒子对应的观测值，则当前状态其中

t时刻粒子集合

由对t-1时刻的粒子集合

进行重采样并通过状态动态模型p(x_t|x_t-1)预测得到；

通过对实时监控视频的分割、识别、跟踪标定斑马鱼目标的实时运动位置，并以固定时间间隔作为统计周期，获取该周期鱼群的速度、行程、轨迹、转弯频率、分布特征运动参数；

3)水质数据分析检测，包括以下过程：设定各个运动参数的预警指标，定义自我集为经过编码后斑马鱼正常行为生理特征数据的集合，定义非我集为经过编码后斑马鱼异常行为生理特征数据的集合；通过训练和后期免疫学习，构建生成各个预警指标的自我集和非我集，形成成各个预警指标的的熟检测器，具体如下：

3.1)对自我集进行高频变异产生大量新型数据，同时，对非我集进行低频变异，变异时，二进制表示个体，对个体变异，每次仅变异一位，即对该位进行取反；

3.2)、基于否定选择的检测器生成算法产生成熟检测器，其过程为：

a)初始化成熟检测器集合(D)，令D＝Φ；

b)t＝0；

c)T＝0；

d)从基因库提取个体x，并初始化个体x的半径：r＝+∞；

e)对每个D中的检测器di，计算di与x的距离d；

d)判断检测器di的半径rd是否小于距离d，若rd小于d则进入步骤h，若rd大于d，则令t加一；并接着判断t是否大于1/(1-c₀)，若t小于1/(1-c₀)则返回步骤b，否则转到g；

g)计算检测器集合D的重叠率，若重叠率大于阈值，则表示算法结束，正常退出，否则返回步骤c；

h)i加一，当i等于现有D中检测器数量时，进入步骤i，否则返回步骤f，计算x与下一个检测器个体的距离；

i)对自我集S中的个体si，计算si与x的距离d；若d-r大于si的半径rs，则转到步骤j；否则重新计算x的半径：r＝d-rs，使得检测器x不与自我集相交；

j)i加一，当i的个数达到自我集的个数时，进入步骤k，否则返回步骤i，计算个体x与下一个自我集个体的距离；

k)判断r是否大于零，若r小于零，则T减1，并接着判断T是否大于阈值，若T大于阈值则算法异常退出；若r大于零，进入步骤1；

l)将x加入检测器集合D中，并判断检测器集合D中现有的检测器个数是否达到检测器最大个数阈值，若达到则算法正常退出，否则返回步骤d；

3.3)、采用期望覆盖与重叠率计算(W)相结合的方式来判断检测器集合是否成熟，

重叠率计算公式如下：

$W\left(d\right)=\underset{d\≠d^{\′}}{\mathrm{\Σ}}w(d,d^{\′})---\left(6\right)$

w(d，d′)＝(exp(δ)-1)^m                                        (7)

$\mathrm{\δ}=\frac{r_d+r_d^{\′}-D}{{2r}_d}---\left(8\right)$

其中，w(d，d′)表示检测器d，d′之间的重叠值，m为问题空间维数，δ∈(0，1)；

当重叠率达到阈值(ξ)时，即表示检测器集合成熟；

3.4)、利用成熟检测器对实时水质数据进行在线检测。

2、如权利要求1所述的一种基于免疫否定选择的水质异常检测方法，其特征在于：在所述步骤3.3中，成熟检测器的半径可变。

本发明的技术构思为：所述水质异常检测方法包括以下步骤：

1)将斑马鱼作为生物监测对象对其进行实时监测，根据其行为模式实现水体质量的在线监测；

2)采用视觉感知技术实现斑马鱼运动特征的采集与提取；

3)基于生物免疫的否定选择思想生成成熟检测器群，利用检测器对采集到斑马鱼运动行为特征进行检测，利用正常样本数据即可实现水质异常的准确检测。

步骤1)中，斑马鱼作为一种重要的指标生物已被广泛地应用于环境监测，是国际标准化组织认可的鱼类实验动物，是理想的水质监测指标生物。本发明选取斑马鱼作为指示生物并对其进行实时监测。指示生物指标数据的有效获取是生物监测的重要内容。由于斑马鱼生理特征变化能比较直观、实时的反映水质的变化，因此这些特征在水质安全研究中即是关键的监测指标也是重要的检测指标。故对这些行为特征快速准确地获取与检测就成为水质异常检测的重要内容。

步骤2)中，水质环境中各种理化条件的改变影响着指示生物生理、生化等方面的信息变化，同时也直接表现在指示生物不同行为特征中，而这种异常行为特征与微空间分布特点，是水质变化更为直观、更具时效性的视觉表现。鉴此，本发明利用视觉感知技术对斑马鱼的运动行为特征进行实时采集，采用基于粒子滤波的多目标跟踪算法对多条具有外观相似、运动无规律的斑马鱼目标进行实时检测跟踪。

步骤3)中，将步骤2)得到斑马鱼运动行为特征的水质指标进行分析检测。生物免疫系统主要功能是区分自体与非自体，两者的识别是通过两类淋巴细胞即B细胞与T细胞来实现的。在T细胞产生过程中，通过伪随机基因重组在T细胞表面产生检测器。然后T细胞进入胸腺进行检查(称为否定选择)，那些与机体自身组织反应的T细胞被消灭，只有那些不破坏自身组织的T细胞存活，这些成熟的T细胞在体内循环，能检测出任何非己物质，执行免疫功能，保护机体免受抗原的侵袭，免疫系统能通过对自我的学习，对非我产生记忆，并通过有限数量的检测器，准确识别和杀伤大量非我，体现了免疫系统独特的智能机理以及极具鲁棒性的处理问题方法。

Forrest等提出了用于检测计算机病毒的否定选择算法与免疫系统的否定选择过程类似，通过随机产生检测器，删除那些能检测自体的检测器，以便保留能检测任何非自体的检测器。由于生物免疫学中的否定选择算法具有能够利用有限数量的正常样本值检测出无限数量的异常样本值的能力，故本发明将否定选择算法运用于水质异常检测，并对相关概念以及检测器生成算法做以下定义与介绍。定义4问题空间：斑马鱼的速度、加速度、数量、体色等运动行为特征与水质有着密切的联系，这些特征的突变直接或间接地反应了水体质量的变化。

将这些特征作为水质检测指标，进行评价分析，建立基于速度、加速度等多维属性问题空间，几何上表示为一个多维超球体；

定义5个体：将归一化后的个体定义为二元组，用实数表示：

x＝{(x₁，...，x_n)，r}，x_i∈[0，1]]                            (2)

在几何上表示坐标为(x₁，...，x_n)、半径为r的超球体。用U表示所有个体的集合，N表示所有属于非我个体集合，即斑马鱼异常特征数据，简称非我集。S表示所有属于自我个体集合，即斑马鱼正常特征数据，简称自我集。显然公式U＝N∪S成立，通过否定选择算法生成可以检测出非我个体的集合称为检测器集，其个体采用可变大小半径来表示其检测范围。

定义6匹配：在一定的匹配模式下，个体之间的相似程度超过了规定阈值，则称它们匹配。采用欧几里德距离作为匹配规则，公式如下所示：

$D(x,y)=\sqrt{\mathrm{\Σ}{(x_i-y_i)}^2}---\left(3\right)$

其中，x＝{x₁，...，x_n}，y＝{y₁，...，y_n}分别表示个体x，y。

利用生物监测和否定选择算法的优点，以及视觉感知技术，提出一种基于生物监测与否定选择的水质异常检测的算法。该算法主要分为三步：首先，将斑马鱼作为生物监测对象对其进行监测，从而间接的实现对水体质量的在线监测；然后，采用粒子滤波跟踪算法斑马鱼运动行为特征进行采集与提取；最后，利用的否定选择算法产生大量成熟检测器，对水质异常进行准确检测。

本发明的有益效果主要表现在：能够实现在线时实监测与检测、提高水质监测的敏感性、连续性和多功能性，检测成本低廉，可对大量未知水质异常状况实现有效时实的检测。

附图说明

图1是粒子滤波跟踪算法的斑马鱼检测示意图；

图2是粒子滤波跟踪算法的斑马鱼跟踪示意图；

图3是变异示意图；

图4是检测器生成算法流程图；

图5是水质异常检测示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图5，一种基于免疫否定选择的水质异常检测方法，包括以下步骤：

1)以斑马鱼作为生物监测对象对其进行实时监测，根据其行为模式实现水体质量的在线监测；

2)采集和提取斑马鱼的运动特征：通过对实时监控视频的分割、识别、跟踪标定斑马鱼目标的实时运动位置，并以固定时间间隔(如设定5S间隔)作为统计周期，获取该周期鱼群的速度、行程、轨迹、转弯频率、分布特征等运动参数，作为步骤三的数据基础。

3)水质数据分析检测，包括以下过程：基于步骤2)中所获取的运动参数，编码构建自我集和非我集，设定各个运动参数的预警指标。

自我集定义为经过编码后斑马鱼正常行为生理特征数据的集合，各个预警指标以及综合预警指标构建自身的自体集，自我集通过大量日常实验形成。

非我集定义为经过编码后斑马鱼异常行为生理特征数据的集合，各个预警指标以及综合预警指标构建自身的非我集。该集合初始时为空，通过后期免疫学习形成；

通过训练和后期免疫学习，构建生成各个预警指标的自我集和非我集，形成成各个预警指标的的熟检测器，具体如下：

3.1)对自我集进行高频变异产生大量新型数据，同时，对非我集进行低频变异，变异时，二进制表示个体，对个体变异，每次仅变异一位，即对该位进行取反；

3.2)、基于否定选择的检测器生成算法产生成熟检测器

3.3)、采用期望覆盖与重叠率计算(W)相结合的方式来判断检测器集合是否成熟；

3.4)、利用成熟检测器对实时水质数据进行在线检测，最终实现水质的异常在线检测。

本实施例中，水质数据指标提取过程：视频序列的目标跟踪问题可以看成是一个动态系统的状态估计问题。离散随机变量x_t和z_t分别表示系统在t时刻的状态和与之对应的观测值，则X^t＝{x₁Lx_t}和Z^t＝{z₁Lz_t}分别表示系统在t时刻之前(包括t时刻)的一系列状态和观测值。在基于贝叶斯滤波的目标跟踪框架中，主要是根据当前的状态和观测来求得目标状态的后验概率密度：

$p\left(x_t\right|Z^t)=\frac{p\left(z_t\right|x_t,Z^{t-1})p\left(x_t\right|Z^{t-1})}{p\left(z_t\right|Z^{t-1})}---\left(4\right)$

假设系统在不同时间的状态的观测值是相互独立的，而且系统的状态是一阶马尔可夫随机过程，则状态的后验概率的贝叶斯迭代过程为：

$p\left(x_t\right|Z^t)\∝p\left(z_t\right|x_t){\∫}_{x_{t-1}}p\left(x_t\right|x_{t-1})p\left(x_{t-1}\right|Z^{t-1}){\mathrm{dx}}_{t-1}---\left(5\right)$

其中p(x_t|x_t-1)表示状态转移概率密度，p(z_t|x_t)表示状态的观测概率密度，分别由状态动态模型和状态观测模型得到。p(x_t-1|Z^t-1)是t-1时刻的后验概率密度。在现实应用中，系统状态的转移概率密度和观测概率密度往往是非高斯、非线性的，这使得状态的后概率密度p(x_t|Z^t)很难求解。

粒子滤波使用采样的方法估计后验概率密度。其基本思想是使用一组带权值的样本粒子集合

来近似的估计公式(4)中的状态后验概率密度p(x_t|Z^t)。基于粒子滤波的目标跟踪是一个迭代滤波的过程，分为预测和更新两个阶段。每一个粒子

表示目标x_t的一个状态假设，而权值

表示粒子对应的观测值，则当前状态

其中

t时刻粒子集合

由对t-1时刻的粒子集合

进行重采样并通过状态动态模型p(x_t|x_t-1)预测得到。重采样是为了防止粒子在滤波过程中产生退化现象，一股重采样是去除权值较小的粒子而保留权值较大的粒子，因为权值越大说明对粒子的观测越接近目标的真实状态。

由于斑马鱼高度非线性运动，导致其经常出现交互遮挡情况，基于粒子滤波的跟踪方法较好的解决了该问题，取得了良好的跟踪效果，跟踪效果可参考示意图1，2。同时根据跟踪结果，记录相关反应水质特征的斑马鱼运动行为特征数据，作为下一步水质检测的指标。基于视觉驱动的水质数据采集方法不但有效的采集到了相关的水质数据指标，而且大大降低了数据采集成本。

水质数据分析检测过程：基于否定选择的检测器生成算法产生大量的成熟检测器，利用这些检测器对大量的实时水质数据进行在线检测，其检测过程如示意图3所示。

首先，本发明通过对自我集进行高频变异产生大量新型数据，这些数据大部分是自我集与检测器集所不包含的，故对识别未知异常数据有很大帮助，同时，对非我集进行低频变异，保留原非我集特征，这样就可以很好地识别出已知异常数据的变异体。通过这种机制产生初始检测器更具有针对性，避免了随机产生初始检测器的盲目性。变异时，二进制表示个体。对个体变异，每次仅变异一位，即对该位进行取反。对属于自我集的个体，相映变异的位所处位置就越高；对属于非我集的个体，相映变异的位所处位置就越低。这样虽然每次仅变异一位，但对低位进行变异，个体变化小，而对高位进行变异，个体变化大，所以能达到变异目的，且实现简单容易计算，变异可参考示意图4。

接着，本发明利用基于否定选择的检测器生成算法产生大量的成熟检测器，成熟检测器生成算法步骤如下：

m)初始化成熟检测器集合(D)，令D＝Φ；

n)t＝0；

o)T＝0；

p)从基因库提取个体x，并初始化个体x的半径：r＝+∞；

q)对每个D中的检测器di，计算di与x的距离d；

r)判断检测器di的半径rd是否小于距离d，若rd小于d则进入步骤h。若rd大于d，则令t加一；并接着判断t是否大于1/(1-c₀)，若t小于1/(1-c₀)则返回步骤b，否则转到g；

s)计算检测器集合D的重叠率，若重叠率大于阈值，则表示算法结束，正常退出，否则返回步骤c；

t)i加一，当i等于现有D中检测器数量时，进入步骤i。否则返回步骤f，计算x与下一个检测器个体的距离；

u)对自我集S中的个体si，计算si与x的距离d；若d-r大于si的半径rs，则转到步骤j；否则重新计算x的半径：r＝d-rs，使得检测器x不与自我集相交；

v)i加一，当i的个数达到自我集的个数时，进入步骤k。否则返回步骤i，计算个体x与下一个自我集个体的距离；

w)判断r是否大于零，若r小于零，则T减1，并接着判断T是否大于阈值，若T大于阈值则算法异常退出；若r大于零，进入步骤1

x)将x加入检测器集合D中，并判断检测器集合D中现有的检测器个数是否达到检测器最大个数阈值，若达到则算法正常退出，否则返回步骤d；检测器生成流程如示意图5所示。

本发明采用期望覆盖与重叠率计算(W)相结合的方式来判断检测器集合是否成熟。

重叠率计算公式如下：

$W\left(d\right)=\underset{d\≠d^{\′}}{\mathrm{\Σ}}w(d,d^{\′})---\left(6\right)$

w(d，d′)＝(exp(δ)-1)^m                                                (7)

$\mathrm{\δ}=\frac{r_d+r_d^{\′}-D}{{2r}_d}---\left(8\right)$

其中，w(d，d′)表示检测器d，d′之间的重叠值，m为问题空间维数，δ∈(0，1)。当重叠率达到阈值(ξ)时，即表示检测器集合成熟。

本发明采用半径可变的检测器，使其可以覆盖任意大小的区域，有效的解决了“检测漏洞”问题。利用这些检测器对大量的实时水质数据进行在线检测，最终实现水质的异常在线检测。

Claims (2)

1.一种基于免疫否定选择的水质异常检测方法，其特征在于：所述水质异常检测方法包括以下步骤：

1)以斑马鱼作为生物监测对象对其进行实时监测，根据其行为模式实现水体质量的在线监测；

2)采集和提取斑马鱼的运动特征：采用基于粒子滤波的多目标跟踪算法，实时检测跟踪斑马鱼，得到斑马鱼的跟踪视频序列，定义基于粒子滤波的多目标跟踪模型，描述如下：

离散随机变量x_t和z_t分别表示系统在t时刻的状态和与之对应的观测值，则X^t＝{x₁L x_t}和Z^t＝{z₁L z_t}分别表示系统在t时刻之前的一系列状态和观测值；根据当前的状态和观测来求得目标状态的后验概率密度：

$p\left(x_t\right|Z^t)=\frac{p\left(z_t\right|x_t,Z^{t-1})p\left(x_t\right|Z^{t-1})}{p\left(z_t\right|Z^{t-1})}---\left(4\right)$

$p\left(x_t\right|Z^t)\∝p\left(z_t\right|x_t){\∫}_{x_{t-1}}p\left(x_t\right|x_{t-1})p\left(x_{t-1}\right|Z^{t-1}){\mathrm{dx}}_{t-1}---\left(5\right)$

其中，p(x_t|x_t-1)表示状态转移概率密度，p(z_t|x_t)表示状态的观测概率密度，分别由状态动态模型和状态观测模型得到，p(x_t-1|Z^t-1)是t-1时刻的后验概率密度；

使用一组带权值的样本粒子集合来近似的估计公式(4)中的状态后验概率密度p(x_t|Z^t)，基于粒子滤波的目标跟踪是一个迭代滤波的过程，分为预测和更新两个阶段，每一个粒子

表示目标x_t的一个状态假设，而权值

表示粒子对应的观测值，则当前状态其中

t时刻粒子集合

由对t-1时刻的粒子集合

进行重采样并通过状态动态模型p(x_t|x_t-1)预测得到；

通过对实时监控视频的分割、识别、跟踪标定斑马鱼目标的实时运动位置，并以固定时间间隔作为统计周期，获取该周期鱼群的速度、行程、轨迹、转弯频率、分布特征运动参数；

3)水质数据分析检测，包括以下过程：设定各个运动参数的预警指标，定义自我集为经过编码后斑马鱼正常行为生理特征数据的集合，定义非我集为经过编码后斑马鱼异常行为生理特征数据的集合；通过训练和后期免疫学习，构建生成各个预警指标的自我集和非我集，形成成各个预警指标的的熟检测器，具体如下：

3.1)对自我集进行高频变异产生大量新型数据，同时，对非我集进行低频变异，变异时，二进制表示个体，对个体变异，每次仅变异一位，即对该位进行取反；

3.2)、基于否定选择的检测器生成算法产生成熟检测器，其过程为：

a)初始化成熟检测器集合(D)，令D＝Φ；

b)t＝0；

c)T＝0；

d)从基因库提取个体x，并初始化个体x的半径：r＝+∞；

e)对每个D中的检测器di，计算di与x的距离d；

f)判断检测器di的半径rd是否小于距离d，若rd小于d则进入步骤h，若rd大于d，则令t加一；并接着判断t是否大于1/(1-c₀)，若t小于1/(1-c₀)则返回步骤b，否则转到g；

g)计算检测器集合D的重叠率，若重叠率大于阈值，则表示算法结束，正常退出，否则返回步骤c；

h)i加一，当i等于现有D中检测器数量时，进入步骤i，否则返回步骤f，计算x与下一个检测器个体的距离；

i)对自我集S中的个体si，计算si与x的距离d；若d-r大于si的半径rs，则转到步骤j；否则重新计算x的半径：r＝d-rs，使得检测器x不与自我集相交；

j)i加一，当i的个数达到自我集的个数时，进入步骤k，否则返回步骤i，计算个体x与下一个自我集个体的距离；

k)判断r是否大于零，若r小于零，则T减1，并接着判断T是否大于阈值，若T大于阈值则算法异常退出；若r大于零，进入步骤l；

l)将x加入检测器集合D中，并判断检测器集合D中现有的检测器个数是否达到检测器最大个数阈值，若达到则算法正常退出，否则返回步骤d；

3.3)、采用期望覆盖与重叠率计算相结合的方式来判断检测器集合是否成熟，重叠率计算公式如下：

$W\left(d\right)=\underset{d\≠d^{\′}}{\mathrm{\Σ}}w(d,d^{\′})---\left(6\right)$

w(d，d′)＝(exp(δ)-1)^m                                (7)

$\mathrm{\δ}=\frac{r_d+r_d^{\′}-D}{2r_d}---\left(8\right)$

其中，w(d，d′)表示检测器d，d′之间的重叠值，m为问题空间维数，δ∈(0，1)；

当重叠率达到阈值(ξ)时，即表示检测器集合成熟；

3.4)、利用成熟检测器对实时水质数据进行在线检测。

2.如权利要求1所述的一种基于免疫否定选择的水质异常检测方法，其特征在于：在所述步骤3.3中，成熟检测器的半径可变。

Images