CN105894014A - 基于多因素不一致度量的异常行为序贯检测方法 - Google Patents
基于多因素不一致度量的异常行为序贯检测方法 Download PDFInfo
- Publication number
- CN105894014A CN105894014A CN201610186905.1A CN201610186905A CN105894014A CN 105894014 A CN105894014 A CN 105894014A CN 201610186905 A CN201610186905 A CN 201610186905A CN 105894014 A CN105894014 A CN 105894014A
- Authority
- CN
- China
- Prior art keywords
- multifactor
- distance
- value
- updated
- hausdorff distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多因素不一致度量的异常行为序贯检测方法。该方法充分考虑目标的位置、速度和运动方向信息,通过在线学习和序贯异常检测的方式,实现对目标异常行为的实时异常检测,具体包括以下步骤:一、定义输入、输出变量;二、初始化;三、对测试样本中的每个数据点和训练样本序列中的每个样本重复进行相应的异常检测;四、当前测试样本的每个数据点都异常检测完成后,更新训练样本序列;五、对多因素Hausdorff距离矩阵进行更新;六、更新后的训练样本序列和更新后的多因素Hausdorff距离矩阵作为新的输入变量,对下一个测试样本进行异常检测。该方法参数设置简单,虚警率可控,异常检测准确率高,工程易实现,在预警监视领域有广阔的应用前景。
Description
技术领域
本发明涉及数据挖掘中的异常检测技术和信息融合中的高层融合技术,属于模式识别和智能情报处理领域。
背景技术
随着信息融合理论的不断完善和信息融合技术的广泛应用,情报处理系统经过检测级、位置级和属性级融合过程,可以自动或半自动的完成对目标的检测、跟踪、航迹关联、属性判决,形成连续稳定的目标航迹。随着目标种类、数量的不断增多和预警监视系统性能的不断提升,越来越多的目标情报数据形成并存在于各种预警监视系统中。如何让计算机自动的发现目标的异常行为是智能情报处理中一项非常重要的研究内容。国内外很多学者对目标的实时异常检测问题进行了大量的研究,主要方法分为学习阶段和异常检测阶段两步进行。学习阶段有基于统计模型的方法、基于神经网络的方法、基于聚类的方法等,异常检测阶段有基于统计检验的方法、基于距离的方法等。但是这些方法普遍存在参数设置复杂、统计模型不够准确,虚警率不能有效控制、在线学习效果较差等问题。
发明内容
本发明提供了一种基于多因素不一致度量的异常行为序贯检测方法,充分考虑目标的位置、速度和运动方向信息,通过在线学习和序贯异常检测的方式,实现对目标异常行为的实时异常检测。具体包括以下步骤:
步骤一,定义输入、输出变量:
输入变量:
1)异常阈值ε;
2)需要考虑的近邻数量k;
3)训练样本序列(z1,...,zl),其中
4)多因素Hausdorff距离矩阵M,其中矩阵的每个元素Mi,j:i=1,...,l,j=1,...,k表示zi到样本序列(z1,...,zi-1,zi+1,...,zl)第j近的样本之间的多因素Hausdorff距离;
5)空的优先序列Q;
6)测试样本zl+1={x1∪x2∪…∪xL},其中xi∩xj=φ:i,j=1,...,L∧j≠i;
输出变量:
1)异常指示变量其中对应子集计算得出的类别,对应{x1∪x2∪…∪xL}=zl+1计算得出的类别;
2)距离向量(m1,...,ml),其中mi:i=1,...,l表示zl+1到zi的多因素Hausdorff距离:
3)距离向量(m'1,...,m'l),其中m'i:i=1,...,l表示zi到zl+1的多因素Hausdorff距离:
步骤二,初始化:对距离mi赋零初值,并计算多因素Hausdorff距离矩阵Mi,1,...,Mi,k-1的和,定义为
步骤三,对测试样本zl+1={x1Ux2U…∪xL}中的xj:j=1,...,L和训练样本序列(z1,...,zl)中的zi:i=1,...,l重复进行如下异常检测过程:
1)通过计算多因素Hausdorff距离对mi的取值进行更新;
2)对Q内的元素进行更新;
3)通过计算多因素Hausdorff距离对m'i的取值进行更新;
4)根据距离m'i与距离Mi,k的取值大小,对不一致度量αi的取值进行更新;
5)从Q中提取当前的k个距离值,并通过对这k个距离值的求和对不一致度量αl+1的取值进行更新;
6)计算pl+1取值;
7)进行阈值ε判别,对当前测试样本的异常情况进行检测更新。
步骤四,当测试样本zl+1的每个数据点x1,x2,…,xL都异常检测完成后,输出异常指示变量和距离向量,将zl+1添加到训练样本序列(z1,...,zl)中,将训练样本序列更新为(z1,...,zl+1)。
步骤五,对多因素Hausdorff距离矩阵M进行更新。
步骤六,更新后的训练样本序列(z1,...,zl+1)和更新后的多因素Hausdorff距离矩阵M作为新的输入变量,对测试样本zl+2进行异常检测。
本发明的有益效果在于:本发明提供的一种基于多因素不一致度量的异常行为序贯检测方法,具有参数设置简单、虚警率可控,准确率高、能够在线学习和序贯异常检测的优点,并且综合考虑了目标的位置、速度和航向信息,对目标的位置异常、速度异常和运动方向异常行为都能够进行实时检测。
附图说明
附图1是本发明所述的基于多因素不一致度量的异常行为序贯检测方法的整体流程图。
具体实施方式
下面结合附图对本发明的实施方式加以详细说明。
步骤一,定义输入、输出变量:
输入变量:
1)异常阈值ε;
2)需要考虑的近邻数量k;
3)训练样本序列(z1,...,zl),其中
4)多因素Hausdorff距离矩阵M,其中矩阵的每个元素Mi,j:i=1,...,l,j=1,...,k表示zi到样本序列(z1,...,zi-1,zi+1,...,zl)第j近的样本之间的多因素Hausdorff距离;
5)空的优先序列Q;
6)测试样本zl+1={x1∪x2∪…∪xL},其中xi∩xj=φ:i,j=1,...,L∧j≠i;
输出变量:
1)异常指示变量其中对应子集计算得出的类别,对应{x1∪x2∪…∪xL}=zl+1计算得出的类别;
2)距离向量(m1,...,ml),其中mi:i=1,...,l表示zl+1到zi的多因素Hausdorff距离:
3)距离向量(m'1,...,m'l),其中m'i:i=1,...,l表示zi到zl+1的多因素Hausdorff距离:
步骤二,初始化:对距离mi赋零初值,并计算多因素Hausdorff距离矩阵Mi,1,...,Mi,k-1的和多因素Hausdorff距离矩阵M的每个元素Mi,j:i=1,...,l,j=1,...,k表示zi到样本序列(z1,...,zi-1,zi+1,...,zl)第j近的样本之间的多因素Hausdorff距离,多因素Hausdorff距离的具体定义如下:
1)考虑两个目标的位置信息、速度信息和运动方向信息,两个目标之间的多因素距离定义为:
mfdist(a,b)=wd·dist(a,b)+wv·|va-vb|+wθ·|θa-θb| (1)
其中va,vb表示点a与点b的速度信息,θa,θb表示点a与点b的运动方向信息,wd表示位置信息的权重因子,wv表示速度信息的权重因子,wθ表示运动方向信息的权重因子,权重因子的取值取决于多因素距离的应用场景。
2)基于多因素距离mfdist(a,b),A到B的多因素Hausdorff距离定义为:
A与B为两个样本序列。
步骤三,对测试样本zl+1={x1∪x2∪…∪xL}中的xj:j=1,...,L和训练样本序列(z1,...,zl)中的zi:i=1,...,l重复进行如下异常检测过程:
1)根据式(2)计算多因素Hausdorff距离,对mi的取值进行更新:
2)对Q内的元素进行更新:
如果Q内的元素个数小于近邻数量k,则将当前的mi取值插入到Q中,如果Q内存有k个距离值,并且当前的mi小于Q中的最大距离值,则删除Q中的最大距离值,将当前mi取值插入到Q中;
3)根据式(2)计算多因素Hausdorff距离,对m'i的取值进行更新:
4)根据距离m'i与距离Mi,k的取值大小,对不一致度量αi的取值进行更新:
如果:m'i<Mi,k,
αi=vi+m'i (5)
否则,
αi=vi+Mi,k (6)
αi的具体定义为:给定一个样本序列代表空间Rd中的一个非空点集,样本zi到集合{z1,...,zn}\zi的多因素不一致度量αi可以定义为:
其中NN(zi,{z1,...,zn}\zi,j)∈{z1,...,zn}\zi表示根据式(2)定义的多因素Hausdorff距离计算得出的距离zi第j近的样本;
5)从Q中提取当前的k个距离值,对不一致度量αl+1的取值进行更新:
6)计算pl+1取值:
表示集合{i=1,...,l+1:αi≥αl+1}中元素的数量;
7)进行阈值ε判别,对当前测试样本的异常情况进行检测更新:
如果pl+1<ε,
否则,
其中,代表检测结果为异常行为,代表检测结果为正常行为。
步骤四,当测试样本zl+1的每个数据点x1,x2,…,xL都异常检测完成后,输出异常指示变量和距离向量,将zl+1添加到训练样本序列(z1,...,zl)中,将训练样本序列更新为(z1,...,zl+1)。
步骤五,对多因素Hausdorff距离矩阵M进行如下更新:
1)多因素Hausdorff距离矩阵M的第1行到第l行,根据输出的距离向量(m'1,...,m'l)进行更新;
2)将输出的距离向量(m1,...,ml)作为最后一行增加到多因素Hausdorff距离矩阵M中。
步骤六,更新后的训练样本序列(z1,...,zl+1)和更新后的多因素Hausdorff距离矩阵M作为新的输入变量,对测试样本zl+2进行异常检测。
Claims (4)
1.一种基于多因素不一致度量的异常行为序贯检测方法,其特征在于,包括以下步骤:
步骤一,定义输入、输出变量;
输入变量:
1)异常阈值ε;
2)需要考虑的近邻数量k;
3)训练样本序列(z1,...,zl),其中
4)多因素Hausdorff距离矩阵M,其中矩阵的每个元素Mi,j:i=1,...,l,j=1,...,k表示zi到样本序列(z1,...,zi-1,zi+1,...,zl)第j近的样本之间的多因素Hausdorff距离;
5)空的优先序列Q;
6)测试样本zl+1={x1∪x2∪…∪xL},其中xi∩xj=φ:i,j=1,...,L∧j≠i;
输出变量:
1)异常指示变量其中对应子集计算得出的类别,对应{x1∪x2∪…∪xL}=zl+1计算得出的类别;
2)距离向量(m1,...,ml),其中mi:i=1,...,l表示zl+1到zi的多因素Hausdorff距离:
3)距离向量(m'1,...,m'l),其中m'i:i=1,...,l表示zi到zl+1的多因素Hausdorff距离:
步骤二,初始化:对距离mi赋零初值,并计算多因素Hausdorff距离矩阵Mi,1,...,Mi,k-1的和,定义为
步骤三,对测试样本zl+1={x1∪x2∪…∪xL}中的xj:j=1,...,L和训练样本序列(z1,...,zl)中的zi:i=1,...,l重复进行如下异常检测过程:
1)通过计算多因素Hausdorff距离对mi的取值进行更新;
2)对Q内的元素进行更新;
3)通过计算多因素Hausdorff距离对m'i的取值进行更新;
4)根据距离m'i与距离Mi,k的取值大小,对不一致度量αi的取值进行更新;
5)从Q中提取当前的k个距离值,并通过对这k个距离值的求和对不一致度量αl+1的取值进行更新;
6)计算pl+1取值;
7)进行阈值ε判别,对当前测试样本的异常情况进行检测更新;
步骤四,当测试样本zl+1的每个数据点x1,x2,…,xL都异常检测完成后,输出异常指示变量和距离向量,将zl+1添加到训练样本序列(z1,...,zl)中,将训练样本序列更新为(z1,...,zl+1);
步骤五,对多因素Hausdorff距离矩阵M进行更新;
步骤六,更新后的训练样本序列(z1,...,zl+1)和更新后的多因素Hausdorff距离矩阵M作为新的输入变量,对测试样本zl+2进行异常检测。
2.根据权利要求1所述的基于多因素不一致度量的异常行为序贯检测方法,其特征在于,
步骤二中多因素Hausdorff距离的具体定义如下:
1)考虑两个目标的位置信息、速度信息和运动方向信息,两个目标之间的多因素距离定义为:
mfdist(a,b)=wd·dist(a,b)+wv·|va-vb|+wθ·|θa-θb|
其中va,vb表示点a与点b的速度信息,θa,θb表示点a与点b的运动方向信息,wd表示位置信息的权重因子,wv表示速度信息的权重因子,wθ表示运动方向信息的权重因子,权重因子的取值取决于多因素距离的应用场景;
2)基于多因素距离mfdist(a,b),A到B的多因素Hausdorff距离定义为:
A与B为两个样本序列。
3.根据权利要求1所述的基于多因素不一致度量的异常行为序贯检测方法,其特征在于,
步骤三具体为:
1)根据多因素Hausdorff距离的定义,对mi的取值进行更新:
2)对Q内的元素进行更新:
如果Q内的元素个数小于近邻数量k,则将当前的mi取值插入到Q中,如果Q内存有k个距离值,并且当前的mi小于Q中的最大距离值,则删除Q中的最大距离值,将当前mi取值插入到Q中;
3)根据多因素Hausdorff距离的定义,对m'i的取值进行更新:
4)根据距离m'i与距离Mi,k的取值大小,对不一致度量αi的取值进行更新:
如果:m'i<Mi,k,
αi=vi+m'i
否则,
αi=vi+Mi,k
αi的具体定义为:给定一个样本序列{z1,...,zn},代表空间Rd中的一个非空点集,样本zi到集合{z1,...,zn}\zi的多因素不一致度量αi可以定义为:
其中NN(zi,{z1,...,zn}\zi,j)∈{z1,...,zn}\zi表示根据定义的多因素Hausdorff距离计算得出的距离zi第j近的样本;
5)从Q中提取当前的k个距离值,对不一致度量αl+1的取值进行更新:
6)计算pl+1取值:
[[{i=1,...,l+1:αi≥αl+1}]]表示集合{i=1,...,l+1:αi≥αl+1}中元素的数量;
7)进行阈值ε判别,对当前测试样本的异常情况进行检测更新:
如果pl+1<ε,
否则,
其中,代表检测结果为异常行为,代表检测结果为正常行为。
4.根据权利要求1所述的基于多因素不一致度量的异常行为序贯检测方法,其特征在于,步骤五具体为:
1)多因素Hausdorff距离矩阵M的第1行到第l行,根据输出的距离向量(m'1,...,m'l)进行更新;
2)将输出的距离向量(m1,...,ml)作为最后一行增加到多因素Hausdorff距离矩阵M中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610186905.1A CN105894014B (zh) | 2016-03-29 | 2016-03-29 | 基于多因素不一致度量的异常行为序贯检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610186905.1A CN105894014B (zh) | 2016-03-29 | 2016-03-29 | 基于多因素不一致度量的异常行为序贯检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894014A true CN105894014A (zh) | 2016-08-24 |
CN105894014B CN105894014B (zh) | 2020-03-10 |
Family
ID=57013958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610186905.1A Active CN105894014B (zh) | 2016-03-29 | 2016-03-29 | 基于多因素不一致度量的异常行为序贯检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894014B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846742A (zh) * | 2017-01-19 | 2017-06-13 | 南京新创力光电科技有限公司 | 基于Hausdorff距离的故障趋势预警方法及系统 |
CN106934208A (zh) * | 2017-01-05 | 2017-07-07 | 中国电建集团华东勘测设计研究院有限公司 | 一种大坝异常监测数据自动识别方法 |
CN107480647A (zh) * | 2017-08-22 | 2017-12-15 | 中国人民解放军海军航空工程学院 | 基于归纳式一致性异常检测的异常行为实时检测方法 |
CN109495437A (zh) * | 2018-08-28 | 2019-03-19 | 西安电子科技大学 | 一种利用在线机器学习算法的工业控制系统中网络异常探测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050079637A1 (en) * | 2003-10-10 | 2005-04-14 | Wilhelm Hoa La | Wearable article with multi-level alert system |
CN101344966A (zh) * | 2008-08-18 | 2009-01-14 | 浙江大学 | 一种智能视觉监控中检测异常目标行为的方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
-
2016
- 2016-03-29 CN CN201610186905.1A patent/CN105894014B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050079637A1 (en) * | 2003-10-10 | 2005-04-14 | Wilhelm Hoa La | Wearable article with multi-level alert system |
CN101344966A (zh) * | 2008-08-18 | 2009-01-14 | 浙江大学 | 一种智能视觉监控中检测异常目标行为的方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
Non-Patent Citations (2)
Title |
---|
SHENG-BIN HSU 等: "FALLING AND SLIPPING DETECTION FOR PEDESTRIANS USING A MANIFOLD LEARNING APPROACH", 《2013 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
何友 等: "海杂波中的雷达目标检测技术综述", 《现代雷达》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934208A (zh) * | 2017-01-05 | 2017-07-07 | 中国电建集团华东勘测设计研究院有限公司 | 一种大坝异常监测数据自动识别方法 |
CN106934208B (zh) * | 2017-01-05 | 2019-07-23 | 国家能源局大坝安全监察中心 | 一种大坝异常监测数据自动识别方法 |
CN106846742A (zh) * | 2017-01-19 | 2017-06-13 | 南京新创力光电科技有限公司 | 基于Hausdorff距离的故障趋势预警方法及系统 |
CN106846742B (zh) * | 2017-01-19 | 2018-12-04 | 南京新创力光电科技有限公司 | 基于Hausdorff距离的故障趋势预警方法及系统 |
CN107480647A (zh) * | 2017-08-22 | 2017-12-15 | 中国人民解放军海军航空工程学院 | 基于归纳式一致性异常检测的异常行为实时检测方法 |
CN109495437A (zh) * | 2018-08-28 | 2019-03-19 | 西安电子科技大学 | 一种利用在线机器学习算法的工业控制系统中网络异常探测方法 |
CN109495437B (zh) * | 2018-08-28 | 2020-12-08 | 西安电子科技大学 | 一种利用在线机器学习算法的工业控制系统中网络异常探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105894014B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A novel GRU-RNN network model for dynamic path planning of mobile robot | |
CN103974311B (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN109710636A (zh) | 一种基于深度迁移学习的无监督工业系统异常检测方法 | |
CN109872346B (zh) | 一种支持循环神经网络对抗学习的目标跟踪方法 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN109447152B (zh) | 一种基于蒙特卡洛树搜索和神经网络的故障预测方法 | |
CN105893621B (zh) | 基于多维航迹聚类的目标行为规律挖掘方法 | |
Wang et al. | Joint deep neural network modelling and statistical analysis on characterizing driving behaviors | |
CN110047096B (zh) | 一种基于深度条件随机场模型的多目标跟踪方法和系统 | |
CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN114090718B (zh) | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 | |
CN105844217A (zh) | 一种基于量测驱动新生目标强度估计的phd多目标跟踪方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
Wang et al. | A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination | |
CN107657311A (zh) | 基于多目标粒子群算法的测试优选方法 | |
CN114690790A (zh) | 基于gru的拦截飞行器制导律快速辨识方法 | |
CN110298378A (zh) | 一种基于da—svm的滚动轴承故障检测方法 | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
CN106203526B (zh) | 基于多维特征的目标行为模式在线分类方法 | |
CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
CN117312770A (zh) | 基于多层次图特征融合的航空发动机剩余寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200211 Address after: 264001 Research and Academic Department, 188 Erma Road, Zhifu District, Yantai City, Shandong Province Applicant after: Naval Aviation University of PLA Address before: 264001 Yantai City, Zhifu Province, No. two road, No. 188, Department of research, Applicant before: Naval Aeronautical Engineering Institute PLA |
|
GR01 | Patent grant | ||
GR01 | Patent grant |