CN103827653B - 检测异常的发生的方法、设备及计算机程序 - Google Patents

Abstract

提供了用于检测异常的发生的方法、设备和计算机程序，其中即使当外在环境出现波动时也可以排除随意性并客观判断要检测的物理量的波动是否反常。从要测量的目标获取多个主要测量值，并且通过最佳学习，针对各个主要测量值计算对应于所获取的多个主要测量值的参考值。基于所获取的多个主要测量值和与其对应的多个参考值，分别计算通过从所述多个主要测量值减去与其对应的参考值而获得的多个次要测量值。计算指示所计算的多个次要测量值之间的相互关系的关系矩阵，并且关于每个次要测量值，将基于所计算的关系矩阵和其他次要测量值而计算的预测值与次要测量值进行比较，以计算指示要测量的目标的异常程度的异常度。

Description

检测异常的发生的方法、设备及计算机程序

技术领域

本发明涉及一种方法、设备及计算机程序，用于即使当外在环境正在波动时，也能及早并确实地检测异常的发生。

背景技术

基础设施在发生事故时对社会可能有重大影响，因此为了基础设施的安全操作，精确监控工业机器的状态非常重要。例如，传统的用于运输车辆的异常检测系统通过在运行期间用传感器获得多种测量，检测异常的发生。

然而，传统的异常检测系统无法直接测量诸如变压器、电阻器、车轮、电动马达及齿轮的测量目标，而是通过测量目标周围的测量的计算间接获得测量目标的测量。因此，传统的异常检测系统容易受到诸如运行模式及气象条件的环境因素的影响，且很难通过排除环境影响而掌握准确的测量变化。

专利文献1公开了一种异常检测系统，其通过计算测量目标在相同条件下的表面测量值的代表值、并将在相同条件下的测量值与代表值进行比较，判断测量值的变化是否反常。专利文献1所公开的异常检测系统可通过指定基于正常发生的测量值变化所决定的值作为代表值、并从相同条件下的每个测量值减去代表值而排除周围环境的影响，仅基于由于异常的发生所造成的测量值变化，检测异常的发生。

[引用列表]

[专利文献]

[专利文献1]JP2010-179706A

[专利文献2]JP2010-078467A

[专利文献3]JP2009-075081A

[专利文献4]JP2009-070071A

发明内容

[技术问题]

然而，要检测的变化并不特别限于温度改变。为了检测异常的发生，特别重要的是，即使当外在环境正在波动时，也可稳定地检测变化。

有鉴于上述情况而做出本发明，并且本发明的目的在于提供一种用于检测异常的发生的方法、设备及计算机程序，即使当外在环境正在波动时，其也可以更客观地判断检测目标的物理量的波动是否反常。

[问题的解决方案]

为了达到上述目的，根据本发明的第一方面的方法是用于检测测量目标中异常的发生的方法，所述方法包括以下步骤：从所述测量目标获取多个主要测量值；通过最佳学习，针对所获取的多个主要测量值的每一个计算参考值；采用所获取的多个主要测量值及多个对应参考值，分别计算多个次要测量值，所述多个次要测量值是从所述多个主要测量值减去所述对应参考值的结果；计算指示所计算的多个次要测量值之间的相互关系的关系矩阵；及针对所述次要测量值的每一个，通过将基于所计算的关系矩阵及其他次要测量值所计算的预测值与所述次要测量值进行比较，计算指示所述测量目标反常的程度的异常分数。

根据本发明的第二方面的方法是根据第一方面的方法，其中通过使用最大化关于投影矩阵的正态样本的投影元素的线性映射，计算所述参考值。

根据本发明的第三方面的方法是根据第一或第二方面的方法，其中通过从指示所述次要测量值之间的关系的图计算加权相邻矩阵、并使用拉普拉斯先验分布执行正态分布的最大后验概率估计，计算所述关系矩阵。

根据本发明的第四方面的方法是根据第三方面的方法，其中所述加权相邻矩阵的权重的绝对值随着所述次要测量值之间的关系强度增加而增加，并且所述权重在所述次要测量值之间没有关系时为零。

根据本发明的第五方面的方法是根据第三或第四方面的方法，其另外包括输出所述图的步骤。

根据本发明的第六方面的方法是根据第一至第五方面中任一方面的方法，其中在给定其他次要测量值下，通过使用根据条件分布的对数损失，针对每个次要测量值计算所述预测值。

为了达到上述目的，根据本发明的第七方面的设备是检测测量目标中是否发生异常的设备，所述设备包括：主要测量值获取装置，用于从所述测量目标获取多个主要测量值；参考值计算装置，用于通过最佳学习针对所获取的多个主要测量值的每一个计算参考值；次要测量值计算装置，用于采用所获取的多个主要测量值及多个对应参考值，分别计算多个次要测量值，所述多个次要测量值是从所述多个主要测量值减去所述对应参考值的结果；关系矩阵计算装置，用于计算指示所计算的多个次要测量值之间的相互关系的关系矩阵；及异常分数计算装置，用于针对所述次要测量值的每一个，通过将基于所计算的关系矩阵及其他次要测量值所计算的预测值与所述次要测量值进行比较，计算指示所述测量目标反常的程度的异常分数。

根据本发明的第八方面的设备是根据第七方面的设备，其中所述参考值计算装置通过使用最大化关于投影矩阵的正态样本的投影元素的线性映射，计算所述参考值。

根据本发明的第九方面的设备是根据第七或第八方面的设备，其中所述关系矩阵计算装置通过从指示所述次要测量值之间的关系的图计算加权相邻矩阵、并使用拉普拉斯先验分布执行正态分布的最大后验概率估计，计算所述关系矩阵。

根据本发明的第十方面的设备是根据第九方面的设备，其中所述关系矩阵计算装置配置所述加权相邻矩阵，使得所述加权相邻矩阵的权重的绝对值随着所述次要测量值之间的关系强度增加而增加，并且所述权重在所述次要测量值之间没有关系时为零。

根据本发明的第十一方面的设备是根据第九或第十方面的设备，其另外包括用于输出所述图的输出装置。

根据本发明的第十二方面的设备是根据第七至第十一方面中任一方面的设备，其中所述异常分数计算装置在给定其他次要测量值下，通过使用根据条件分布的对数损失，针对每个次要测量值计算所述预测值。

为了达到上述目的，根据本发明的第十三方面的计算机程序是可由检测测量目标中是否发生异常的设备执行的计算机程序，所述程序使所述设备运作为：主要测量值获取装置，用于从所述测量目标获取多个主要测量值；参考值计算装置，用于通过最佳学习针对所获取的多个主要测量值的每一个计算参考值；次要测量值计算装置，用于采用所获取的多个主要测量值及所述多个对应参考值，分别计算多个次要测量值，所述多个次要测量值是从所述多个主要测量值减去所述对应参考值的结果；关系矩阵计算装置，用于计算指示所计算的多个次要测量值之间的相互关系的关系矩阵；以及异常程度计算装置，用于针对所述次要测量值的每一个，通过将基于所计算的关系矩阵及其他次要测量值所计算的预测值与所述次要测量值进行比较，计算指示所述测量目标反常的程度的异常分数。

根据本发明的第十四方面的计算机程序是根据第十三方面的计算机程序，其中所述计算机程序使所述参考值计算装置运作为以下装置：通过使用最大化关于投影矩阵的正态样本的投影元素的线性映射，计算所述参考值。

根据本发明的第十五方面的计算机程序是根据第十三或第十四方面的计算机程序，其中所述计算机程序使所述关系矩阵计算装置运作为以下装置：通过从指示所述次要测量值之间的关系的图计算加权相邻矩阵、并使用拉普拉斯先验分布执行正态分布的最大后验概率估计，计算所述关系矩阵。

根据本发明的第十六方面的计算机程序是根据第十五方面的计算机程序，其中所述计算机程序使所述设备运作为用于输出所述图的输出装置。

根据本发明的第十七方面的计算机程序是根据第十三至第十六方面中任一方面的计算机程序，其中所述计算机程序使所述异常程度计算装置运作为以下装置：在给定其他次要测量值下，通过使用根据条件分布的对数损失，针对每个次要测量值计算所述预测值。

[发明优点]

根据本发明，从主要测量值中提取主要测量值的持久特征作为参考值，并通过最佳学习决定变量集，所述变量集包括次要测量值作为变量，所述次要测量值为从主要测量值减去参考值的结果。由于可通过将次要测量值与预测值比较而计算异常分数，因此可客观决定参考值，并可通过最佳学习计算变量集，计算异常分数。因此，即使当外在环境正在波动时，也可通过排除由于外在环境波动引起的变化并排除随意性，客观判断检测目标的物理量的变化是否反常。

附图说明

图1为显示根据本发明实施例的异常检测设备的配置的示意方块图；

图2为显示根据本发明实施例的异常检测设备的功能方块图；

图3为图解显示在根据本发明实施例的异常检测设备所使用的变量集中的关系的图的示图；及

图4为显示由根据本发明此实施例的异常检测设备的CPU执行的处理流的流程图。

具体实施方式

下文中，将参考附图具体说明根据本发明实施例的设备，其即使当外在环境正在波动时也能及早并确实地检测异常的发生。当然，以下说明的实施例并不在任何意义上限制权利要求中说明的本发明，并且关于实施例说明的特征的所有组合对于技术方案而言并非都是必要的。

本发明可以有许多其他实施例且不应视为受限于本文说明的特定实施例。在下文说明的实施例中，以相同参考数字表示相同组件。

虽然利用其中安装有计算机程序的计算机系统实施根据以下说明的实施例的设备，但本领域技术人员应明白，可将本发明体现为其一部分可由计算机执行的计算机程序。也就是说，本发明可以硬件的形式(也就是说，即使当外在环境正在波动时也能及早并确实地检测异常的发生的设备)、软件的形式、或软件及硬件的组合的形式实施。计算机程序可记录于可由诸如硬盘、DVD、CD、光存储装置及磁存储装置的任何计算机读取的记录介质中。

根据本发明实施例，从主要测量值中提取主要测量值的持久特征作为参考值，并通过最佳学习决定变量集，所述变量集包括次要测量值作为变量，所述次要测量值为从主要测量值减去参考值的结果。由于可通过将次要测量值与预测值进行比较而计算异常分数，因此可客观决定参考值，并可通过最佳学习计算变量集而计算异常分数。因此，即使当外在环境正在波动时，也可通过排除由于外在环境波动引起的变化并排除随意性，客观判断检测目标的物理量的变化是否反常。

图1为显示根据本发明实施例的异常检测设备的配置的示意方块图。根据本发明此实施例的异常检测设备1至少包括中央处理单元(CPU)11、存储器12、存储装置13、I/O接口14、视频接口15、便携式盘驱动16、通信接口17、以及使上述硬件组件互连的内部总线18。

CPU11利用内部总线18连接至异常检测设备1的上述硬件组件，控制硬件组件的操作，并根据存储在存储装置13中的计算机程序100执行多种软件功能。存储器12是易失性存储器，诸如SRAM及SDRAM。当执行计算机程序100时，加载模块在存储器12中建立，并且在计算机程序100执行期间产生的暂时数据等存储在存储器12中。

存储装置13为并入异常检测设备中的固定存储装置(硬盘)、ROM等。利用便携式盘驱动16从诸如DVD及CD-ROM的便携式记录介质90下载存储在存储装置13中的计算机程序100，所述存储装置13中记录诸如程序及数据的信息，并且从存储装置13将计算机程序100建立于存储器12中以便执行。当然，可经由通信接口17从连接至异常检测设备的外部计算机下载计算机程序。

通信接口17连接至内部总线18并连接至诸如因特网、LAN及WAN的外部网络，使得能够从外部计算机等接收数据并将数据发送至外部计算机等。

I/O接口14连接至诸如键盘21及鼠标22的输入设备并接受数据输入。视频接口15连接至诸如CRT显示器及液晶显示器的显示设备23并能够显示预定图像。

图2为显示根据本发明实施例的异常检测设备1的功能方块图。在图2中，异常检测设备1的主要测量值获取部分201从测量目标获取多个主要测量值。主要测量值是以传感器等从测量目标获取的物理量，并且是利用例如温度传感器所检测的铁路车辆的轴箱的温度。物理量并不特别限于温度，而是可以使用即使当外在环境正在波动时也能稳定测量的任何物理量。

参考值计算部分202针对所获取的多个主要测量值的每一个通过最佳学习计算参考值。更具体地说，对于由M个元素(M表示自然数)组成的主要测量值的矢量x，通过最佳学习计算决定次要测量值的参考值，所述次要测量值是通过使用投影矩阵W从参考值对应的主要测量值减去参考值的结果。

在此实施例中，将参考值表达为d个规范正交基矢量(投影矢量)W_i的集合{W_i}(d表示自然数)的线性组合(线性映射)，并且以最佳方式决定基底。在此使用的词语“最佳”是指匹配正态预期的变化方向的程度处于最大值并且正态样本{x⁽¹⁾,...,x^(N)}的投影元素最大化。也就是说，如果使用投影矢量W_i将投影矩阵W表达为W＝[W₁,...,W_d]，则可将基于主要测量值决定次要测量值的公式表达为以下公式(1)。

[公式1]

x←(I-WW^T)x…(公式1)

在此公式中，矩阵W^T表示投影矩阵W的转置矩阵，矢量x表示物理量矢量，并且矢量I表示单位矩阵。因此，优化投影矩阵W以最大化关于投影矩阵W的正态样本的投影元素相当于计算参考值。

可将定义以最大化投影矩阵W的正态样本的投影元素的公式表达为以下公式(2)。

[公式2]

$W=\arg \underset{W}{max}:\underset{n=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{d}{\Σ}}{\left(w_i^T{x}^{\left(n\right)}\right)}^2...$ (公式2)

其中 $w_i^T{w}_j={\mathrm{\δ}}_{i,j}$

在此公式中，δ_i,j表示Kroneckerdelta(δ)。通过求取公式(2)的微分，可将优化问题重写为以下公式(3)。在公式(3)中，Tr表示矩阵的对角元素的总和。

[公式3]

$\frac{\∂}{\∂W}\{Tr\left(W^{T}SW\right)-Tr\left(W^{T}RW\right)\}=0...$ (公式3)

其中 $S_{i,j}\≡\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}{x}_i^{\left(n\right)}{x}_j^{\left(n\right)},R_{i,j}={\mathrm{\δ}}_{i,j}{\mathrm{\σ}}_i$

整理公式(3)显示投影矩阵W的行矢量与如由公式(4)所示的矩阵S的特征矢量一致。因此，可通过选择具有较大特征值的d个特征矢量，决定参考值。

[公式4]

$0=\frac{\∂}{\∂W}\{Tr\left(W^{T}SW\right)-Tr\left(W^{T}RW\right)\}=2(SW-WR)...$ (公式4)

Sw_i＝σ_iw_i，i＝1，…，d

次要测量值计算部分203采用所获取的多个主要测量值及多个对应的参考值，通过从参考值所对应的主要测量值减去参考值，计算多个次要测量值。更具体地说，通过从由M个元素组成的主要测量值的矢量x减去(WW^TX)(其被计算为由d个特征矢量组成的投影矩阵W所决定的M个参考值)，计算M个次要测量值。

关系矩阵计算部分204计算指示所计算的多个次要测量值之间的相互关系的关系矩阵。关系矩阵的计算可属于通过最佳学习决定包括次要测量值作为变量的变量集的问题。

在此实施例中，决定变量集的问题属于图识别问题。也就是说，决定指示变量集中的关系的图，并从图计算相邻矩阵Λ。图3是显示指示根据本发明此实施例的异常检测设备1所使用的变量集的关系的图的示例的附图。

在图3显示的示例中，图显示指示铁路车辆的轴箱温度的每个次要测量值与其他次要测量值有多么强地相关。不同种类的线条显示次要测量值x₁至x_M的两者之间的不同等级关系强度。例如，实线、交替的长短虚线、交替的一长两短虚线、及虚线可指示不同等级的关系强度：关系强度依此顺序减少。作为替代，当然可以每条线的颜色或厚度、每条线的颜色及种类组合指示关系强度。为了从图3显示的图计算相邻矩阵Λ，使用拉普拉斯先验分布执行正态分布的最大后验概率估计。

首先，作为最佳学习的准备，标准化次要测量值以具有平均值0及方差1。接着，相邻矩阵Λ的优化问题的矩阵表达式如由以下公式(5)所示。在公式(5)中，N(x|平均值,协方差矩阵)表示x的正态分布。

[公式5]

$\begin{array}{c}\mathrm{\Λ}=\arg \underset{\mathrm{\Λ}}{max}1n\[\underset{n=1}{\overset{N}{\Π}}N\left(x^{\left(n\right)}\right|0,{\mathrm{\Λ}}^{-1})\]\underset{i=1}{\overset{M}{\Π}}\underset{j=1}{\overset{M}{\Π}}{e}^{-\mathrm{\ρ}\left|{\mathrm{\Λ}}_{i,j}\right|}\\ \mathrm{\Λ}=\arg \underset{\mathrm{\Λ}}{max}\{In\det \mathrm{\Λ}-tr\left(\mathrm{\Σ}\mathrm{\Λ}\right)-\mathrm{\ρ}\underset{i,j=1}{\overset{M}{\Σ}}|{\mathrm{\Λ}}_{i,j}\left|\right\}\end{array}...$ (公式5)

其中 ${\mathrm{\Σ}}_{i,j}\≡\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}{x}_i^{\left(n\right)}{x}_j^{\left(n\right)}$

也就是说，通过将相邻矩阵Λ表达为加权相邻矩阵、并使用拉普拉斯先验分布执行正态分布的最大后验概率估计，求解相邻矩阵Λ。求解相邻矩阵Λ的方法说明于Banerjee等人的“ConvexoptimizationtechniquesforfittingsparseGaussiangraphicalmodels”(第23届国际机器学习会议的会议记录，第89-96页，2006年)。

公式(5)所决定的加权相邻矩阵Λ的权重的绝对值随着次要测量值之间的关系强度增加而增加，并且权重在次要测量值之间没有关系时为零。这是因为次要测量值被标准化而具有平均值0及方差1。

异常程度计算部分205针对每个次要测量值，通过将次要测量值与基于所计算的关系矩阵及其他次要测量值所计算的预测值进行比较，计算指示测量目标反常的程度的异常分数。在给定其他次要测量值下，通过使用根据条件分布的对数损失，针对每个次要测量值计算预测值。

更具体地说，按以下说明的程序进行计算。首先，可利用使用相邻矩阵Λ的以下公式(6)表达次要测量值的矢量x的概率分布p(x)。

[公式6]

$p\left(x\right)\≡{\frac{\det \left|\mathrm{\Λ}\right|}{{\left(2\mathrm{\π}\right)}^{\frac{M}{2}}}}^{\frac{1}{2}}\exp (-\frac{1}{2}{x}^T{\mathrm{\Λ}}^{\frac{1}{2}}x)...$ (公式6)

接着，通过针对每个变量(次要测量值)计算条件分布，如以下公式(7)定义异常分数。

[公式7]

(第一变量的异常性)＝-logp(x₁|x₂，x₃，x₄，…，x_M)

(第二变量的异常性)＝-logp(x₂|x₁，x₃，x₄，…，x_M)..(公式7)

(第M变量的异常性)＝-logp(x_M|x₁，x₂，x₃，…，x_M-1)

如从公式(7)明显可见，如果针对所学习的概率模型决定的次要测量值的矢量x的一个变量值与从其他变量的值及相邻矩阵Λ所预测的值有所偏差，则所计算的一个变量的异常分数采用较大值。例如，可利用以下公式(8)表达次要测量值x₁的条件分布p。

[公式8]

$p\left(x_1\right|x_2,...,x_M)=N\left(x_1\right|-\frac{1}{{\mathrm{\Λ}}_{1,1}}\underset{i=2}{\overset{M}{\Σ}}{\mathrm{\Λ}}_{1,i}{x}_i,\frac{1}{{\mathrm{\Λ}}_{1,1}})...$ (公式8)

如同根据以下公式(9)的次要测量值，通过将正态分布的定义代入公式(8)及整理所得的公式，可将异常分数s₁决定为M维矢量。

[公式9]

$s_1=\frac{1}{2}ln\frac{2\mathrm{\π}}{{\mathrm{\Λ}}_{1,1}}+\frac{1}{2{\mathrm{\Λ}}_{1,1}}{\left(\underset{i=1}{\overset{M}{\Σ}}{\mathrm{\Λ}}_{1,i}{x}_i\right)}^2...$ (公式9)

由于需要以与测量目标相同的数目计算异常分数，因此针对次要测量值的矢量x，计算相等维度的异常程度矢量s。根据公式(9)，计算信息论上测量目标的物理量值与当给定其他测量目标的物理量值作为变量时所预期的值的偏差。

异常判断部分206判断所计算的异常分数(或换言之，次要测量值的偏差程度)是否大于预定值。如果异常分数大于预定值，则可判断已发生异常。

可输出指示变量集中的关系的图并在例如显示设备23上显示。图输出部分207将图输出至显示设备23以便显示。

图4为显示由根据本发明此实施例的异常检测设备1的CPU11执行的处理流的流程图。在图4中，异常检测设备1的CPU11从测量目标获取多个主要测量值(步骤S401)。主要测量值是以传感器等从测量目标获取的物理量，并且是利用例如温度传感器检测的铁路车辆的轴箱的温度。物理量并不特别限于温度，而是可以使用即使当外在环境正在波动时也能稳定地测量的任何物理量。

CPU11针对所获取的多个主要测量值的每一个通过最佳学习计算参考值(步骤S402)。更具体地说，对于由M个元素组成的主要测量值的矢量x(M表示自然数)，通过最佳学习计算决定次要测量值的参考值，所述次要测量值是通过使用投影矩阵W从参考值对应的主要测量值减去参考值的结果。

CPU11采用所获取的多个主要测量值及多个对应参考值，通过从参考值的对应主要测量值减去参考值，计算多个次要测量值(步骤S403)。更具体地说，通过从由M个元素组成的主要测量值的矢量x减去(WW^TX)(其被计算为利用由d个特征矢量组成的投影矩阵W决定的M个参考值)，计算M个次要测量值。

CPU11计算指示所计算的多个次要测量值之间的相互关系的关系矩阵(步骤S404)。关系矩阵的计算可属于通过最佳学习决定包括次要测量值作为变量的变量集的问题。

在此实施例中，决定变量集的问题属于图识别问题。也就是说，可通过决定指示变量集中的关系的图并从图计算相邻矩阵Λ，决定用于计算异常分数的最佳变量集，也就是说，用于计算常态中所预期的物理量的次要测量值的最佳组合。

针对每个次要测量值，CPU11通过将次要测量值与基于所计算的关系矩阵及其他次要测量值所计算的预测值进行比较，计算指示测量目标反常的程度的异常分数(步骤S405)。在给定其他次要测量值下，使用根据条件分布的对数损失，针对每个次要测量值计算预测值。

CPU11判断所计算的异常分数(或换言之，次要测量值的偏差程度)是否大于预定值(步骤S406)。如果异常分数大于预定值，则可判断已发生异常。

如上述，根据此实施例，从主要测量值中提取主要测量值的持久特征作为参考值，并通过最佳学习决定变量集，所述变量集包括次要测量值作为变量，所述次要测量值为从主要测量值减去参考值的结果。由于可通过将次要测量值与预测值比较来计算异常分数，因此可客观决定参考值，并可通过最佳学习计算变量集而计算异常分数。因此，即使当外在环境正在波动时，也可通过排除由于外在环境波动引起的变化并排除随意性，客观判断检测目标的物理量的变化是否反常。

本发明不限于上述实施例，并且可进行多种修改、改变等，而不脱离本发明的精神及范围。如果主要测量值是当发生异常时实质上变化的物理量，诸如铁路车辆的轴箱温度，则本发明可精确检测较不容易检测的异常的发生。

[附图标记列表]

1异常检测设备

11CPU

12存储器

13存储装置

14I/O接口

15视频接口

16便携式盘驱动

17通信接口

18内部总线

90便携式记录介质

100计算机程序

Claims (12)

1.一种检测测量目标中异常的发生的方法，所述方法包括以下步骤：

从所述测量目标获取多个主要测量值；

通过最佳学习，针对所获取的多个主要测量值的每一个计算参考值；

采用所获取的多个主要测量值及多个对应参考值，分别计算多个次要测量值，所述多个次要测量值是从所述多个主要测量值减去所述对应参考值的结果；

计算关系矩阵，所述关系矩阵指示所计算的多个次要测量值之间的相互关系；以及

针对所述次要测量值的每一个，通过将基于所计算的关系矩阵及其他次要测量值所计算的预测值与所述次要测量值进行比较，计算异常分数，所述异常分数指示所述测量目标反常的程度。

2.如权利要求1所述的方法，其中通过使用最大化关于投影矩阵的正态样本的投影元素的线性映射，计算所述参考值。

3.如权利要求1或2所述的方法，其中通过从指示所述次要测量值之间的关系的图计算加权相邻矩阵、并使用拉普拉斯先验分布执行正态分布的最大后验概率估计，计算所述关系矩阵。

4.如权利要求3所述的方法，其中所述加权相邻矩阵的权重的绝对值随着所述次要测量值之间的关系强度增加而增加，并且所述权重在所述次要测量值之间没有关系时为零。

5.如权利要求3所述的方法，还包括输出所述图的步骤。

6.如权利要求1所述的方法，其中在给定所述其他次要测量值下，通过使用根据条件分布的对数损失，针对每个次要测量值计算所述预测值。

7.一种检测测量目标中是否已经发生异常的设备，所述设备包括：

主要测量值获取装置，用于从所述测量目标获取多个主要测量值；

参考值计算装置，用于通过最佳学习，针对所获取的多个主要测量值的每一个计算参考值；

次要测量值计算装置，用于采用所获取的多个主要测量值及多个对应参考值，分别计算多个次要测量值，所述多个次要测量值是从所述多个主要测量值减去所述对应参考值的结果；

关系矩阵计算装置，用于计算关系矩阵，所述关系矩阵指示所计算的多个次要测量值之间的相互关系；以及

异常分数计算装置，用于针对所述次要测量值的每一个，通过将基于所计算的关系矩阵及其他次要测量值所计算的预测值与所述次要测量值进行比较，计算异常分数，所述异常分数指示所述测量目标反常的程度。

8.如权利要求7所述的设备，其中所述参考值计算装置通过使用最大化关于投影矩阵的正态样本的投影元素的线性映射，计算所述参考值。

9.如权利要求7或8所述的设备，其中所述关系矩阵计算装置通过从指示所述次要测量值之间的关系的图计算加权相邻矩阵、并使用拉普拉斯先验分布执行正态分布的最大后验概率估计，计算所述关系矩阵。

10.如权利要求9所述的设备，其中所述关系矩阵计算装置配置所述加权相邻矩阵，使得所述加权相邻矩阵的权重的绝对值随着所述次要测量值之间的关系强度增加而增加，并且所述权重在所述次要测量值之间没有关系时为零。

11.如权利要求9所述的设备，还包括用于输出所述图的输出装置。

12.如权利要求7所述的设备，其中所述异常分数计算装置在给定所述其他次要测量值下，通过使用根据条件分布的对数损失，针对每个次要测量值计算所述预测值。