CN111654874B - 一种无线传感网异常检测方法 - Google Patents

Abstract

本发明公开一种无线传感器网异常检测方法，本方法基于融合理论，融合模糊孪生支持向量机和自适应迭代寻优的无线传感网异常检测系统，主要目的是解决当前无线传感网异常检测效率不高、精度不高、泛化能力较弱的问题。该系统经过测试，展示出强大的检测能力、更高的分类准确率和更广泛的应用场景，其泛化能力较强，可广泛的应用于诸多无线传感网络异常检测环境中，更提高了检测的准确性和高效性。

Description

一种无线传感网异常检测方法

技术领域

本发明涉及一种融合模糊孪生支持向量机和自适应迭代寻优的无线传感网异常检测方法，属于传感器网数据处理技术领域。

背景技术

无线传感网络(Wireless Sensor Networks,WSN)是一种分布式传感网络，它的末梢是可以感知和检查外部世界的传感器。无线传感网部署方便、价格低廉、可以大规模自组织网络，并且传感器具备微型化、智能化、多功能化等特点。因此无线传感网被广泛应用于农业生产、环境检测、智能交通、智能家居等领域。例如在农业生产过程中，通过建立WSN农业环境自动检测系统，实时采集和控制大棚种植室内及土壤的温度、湿度，光照强度，珍贵经济作物的生长规律等影响农作物生长的因素，可以有效的提高农业集约化生产程度，提高农业生产种植的科学性。为了及时的监测出各种可能发生的突发事件(森林火灾、交通堵塞、室内空气污染)，必须准确、迅速的判断出传感器采集到的异常数据，这对于应对突发事件，迅速采取有效措施，这对于避免事件的发生或者降低影响具有十分重要的意义。

近年来，在学术以及工业等领域的共同推进下，无线传感网络异常检测领域取得了许多成果。目前主要的无线传感网络异常检测方法和系统如下：

一种是基于人工免疫和K均值聚类的无线传感网异常检测方法。该方法将传感网监测节点采集到的数据进行压缩存储，然后采取K均值聚类的方法，将正常数据和异常数据聚集到不同的类簇，从而完成异常数据检测。

另一种方法是基于变宽直方图的全局异常数据的检测方法，它将动态感知数据以数据融合的方式聚合成为变宽的直方图并执行检测过程。

但是，上述利用人工免疫和K均值聚类的方法，缺点在于对监测数据进行压缩存储时，若数据没有呈现一定的规律性，并不能有效的节约资源和提高检测效率；并且单纯的利用传统的K均值聚类方法也不能有效的提高监测精度。另一种基于变宽直方图的全局异常数据的检测方法并没有有效的提升异常数据监测精度。当前无线传感网异常检测存在效率不高、精度不高、泛化能力较弱的问题。

技术方案

为了解决现有技术存在的问题，本发明提出了一种无线传感网异常检测方法，融合模糊孪生支持向量机和自适应迭代寻优，解决当前无线传感网异常检测效率不高、精度不高、泛化能力较弱的问题。

为了解决所述技术问题，本发明采用的技术方案是：一种无线传感网异常检测方法，包括以下步骤；

S1、传感器监测节点实时汇集来自各个传感器监测的数据，形式原始数据集x＝{x₁,x₂,...,x_i,...,x_n}，x_i∈Rⁿ,i＝1,2,...,n，x_i表示传感器采集的数据，并以无线通信的方式进行传输和存储；

S2、对传感器采集到的数据集进行数据预处理，所述数据预处理包括数据归一化处理、类不平衡处理以及训练数据集、检测数据集的划分，归一化处理后的数据集为X＝{X₁,X₂,...,X_i,...,X_n}；

S3：建立无线传感网异常检测模型，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C，将训练数据集作为数据输入，建立无线传感网异常检测模型；

S4：利用已经建立的无线传感网异常检测模型，将检测数据集作为模型的输入，根据模型的输出结果，判断检测数据集中正常数据和异常数据，完成无线传感网异常数据检测。

进一步的，无线传感网异常检测模型为模糊孪生支持向量机异常检测模型，建立该模型的步骤为：

S31)、为了避免无线传感网数据在低维空间不能线性可分的情况，引入核函数K(x,z)将低维空间的输入值映射到高维空间进行内积运算，从而实现非线性变换后的线性可分；

S32)、将训练数据集作为模糊孪生支持向量机异常检测模型训练输入数据集；

S33)、设置目标优化函数：

其中，C为惩罚系数，ξ_i为松弛变量，w表示权重，b表示偏置，

表示x_i对应的模糊孪生支持向量机异常检测模型输出；

S34)、引入拉格朗日函数将目标优化函数转换为对偶问题：

得到最优解

S35)、选择

的一个分量

满足

计算：

S36)、得到分类决策函数：

S37)、惩罚系数C是求解目标优化函数的前提条件，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C。

进一步的，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C具体步骤为：

S38)、初始化寻优数据集M＝{(X₁,Y₁),(X₂,Y₂),...,(X_i,Y_i)},i＝1,2,...,L，L代表数据集M的大小，根据训练数据集的大小动态选择；数据集M中的数据(X_i,Y_i)包含两个特征，分别是当前位置(X_axisc,Y_axisc)和历史位置(X_axis,Y_axis)，它们的取值范围是[0,100]，初始化最大迭代次数max_gen，max_gen的取值与训练数据集的数据量呈反比；

S39)、将数据集M随机划分为三个子集groupA、groupB、groupC，分别执行本地目标搜索和全局目标搜索；目标搜索行进距离DS＝θ*((max_gen-k)/max_gen)^α,θ∈[5,10],α∈[2,6]，k是当前迭代次数，k＝1,2,...,max_gen；

S310)、各个子集搜索策略按照如下方式执行：

如果k＜max_gen/20，

groupA根据公式(1)执行本地目标搜索:

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(3)执行全局目标搜索：

如果k＞＝max_gen/20，

groupA根据公式(1)执行本地目标搜索：

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(4)执行全局目标搜索：

RandomValue表示区间[5,20]范围内的随机数；

S311)、计算惩罚系数判定值S：计算数据集M中所有数据点与原点距离D，取距离D的和的倒数为惩罚系数判定值S，惩罚系数C＝M*S，M的取值根据C的定义域进行修正，对于数据集M中每一个数据点，都能确定一个当前迭代次数中惩罚系数C，

S312)、适应度函数计算：求出由每一个惩罚系数C所建立的异常检测模型的分类准确率accuracy_i，

适应度函数Function(S_i)＝accuracy_i×η×S_i，

η是权值；

S313)、惩罚系数确定值计算：

根据

的最大值找出表现最佳数据点，表现最佳数据点就是惩罚系数确定值；

S314)、表现最佳数据点处理：根据公式(5)计算出当前和历史迭代中表现最佳数据点的惩罚系数确定值和位置，

和

分别是当前迭代和历史迭代中表现最佳数据点的惩罚系数确定值；

如果

大于

将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为当前迭代中表现最佳数据点惩罚系数确定值和位置，

如果

小于

只更新当前迭代中表现最佳数据点的位置，

得到当前迭代和历史迭代表现最佳数据点的惩罚系数确定值以及位置，

S315)、为了平衡数据点的全局搜索能力和本地搜索能力，每个数据点位置利用公式(7)更新:

此时，(X_axis,Y_axis)和(X_axisc,Y_axisc)代表历史迭代和当前迭代表现最佳数据点的位置；

S316)、根据公式(5)计算出每个数据点的惩罚系数确定值，

是步骤S315)搜索条件下最佳数据点的惩罚系数确定值，

如果

大于

将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为步骤S315)搜索条件下表现最佳数据点惩罚系数确定值和位置，

如果

小于

只更新步骤S315)搜索条件下表现最佳数据点的位置；

S317)、选择

作为当前迭代次数惩罚系数最终确定值，根据公式(5)的逆运算求出由

确定的惩罚系数判定值S，由公式C＝M*S求出当前迭代次数中最终确定的惩罚系数C；

S318)异常检测模型的最优惩罚系数：所有迭代寻优执行结束，得到每次迭代确定的惩罚系数C。

进一步的，步骤S2中，利用合成少数类过采样技术对检测数据集进行类不平衡处理，具体步骤为：

S21)、异常数据比例一般低于正常数据，故将异常数据作为少数类，对于异常数据中每一个传感器采集数据x，以欧氏距离为标准计算它到少数类样本集σ中所有样本的距离，得到其K近邻，σ＝{(x_i,y_i)|y_i＝-1},i＝1,2,...,n，y_i表示对训练数据集人为添加的标签信息，当y_i＝1时，代表该数据是正常数据，当y_i＝-1时，代表该数据是异常数据；

S22)、根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其K近邻中随机选择3个样本，假设选择的近邻为x_n；

S23)、对于每一个随机选出的近邻x_n，分别与原样本按照如下的公式构建新的样本：

x_new＝x+rand(0,1)*|x-x_n|；

S24)、将构建的新的样本添加到训练数据集中。

进一步的，步骤S2中，对检测数据集进行归一化的处理公式为：

其中，x_i表示原始数据集中的数据，X_i表示归一化处理后的数据，X_i∈[0,1]，min是原始数据集中的最小值，max是原始数据集的最大值。

进一步的，步骤S318)中，选择最小的C值作为异常检测模型的最优惩罚系数。

进一步的，步骤S31)中，选取训练数据集数据量的

作为寻优数据集M的大小。

进一步的，随机选取归一化后数据集X的2/5构成训练数据集X_train，对训练数据集X_train人为添加标签信息，X_train＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)},其中x_i∈Rⁿ，y_i∈{+1,-1},i＝1,2,...,n，y_i为对训练数据集人为添加的标签信息，当y_i＝1时，代表该数据是正常数据，当y_i＝-1时，代表该数据是异常数据，数据集X中，剩下3/5的数据作为检测数据集X_test。

进一步的，步骤S31中，选择径向基核函数，

τ为核参数。

本发明的有益效果：本发明所述检测方法基于融合理论，融合模糊孪生支持向量机和自适应迭代寻优的无线传感网异常检测系统，主要目的是解决当前无线传感网异常检测效率不高、精度不高、泛化能力较弱的问题。该系统经过测试，展示出强大的检测能力、更高的分类准确率和更广泛的应用场景，其泛化能力较强，可广泛的应用于诸多无线传感网络异常检测环境中，更提高了检测的准确性和高效性。

附图说明

图1为实施例所述方法的流程图；

图2为模糊孪生支持向量机的惩罚系数C迭代寻优的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

实施例1

本实施例公开一种无线传感器网异常检测方法，如图1所示，包括以下步骤：

S1：数据采集，无线传感网络监测节点每隔一个固定时间间隔Δt收集一组监测数据，并以无线多跳的方式将其发送给基站，基站将收到原始数据集x；

S2：数据预处理，对原始数据集x进行数值变量的归一化和训练数据集、检测数据集的划分以及数据不平衡的处理；

S3：建立异常检测模型，利用训练数据集构造并求解带凸约束的二次规划问题，构建模糊孪生支持向量机异常检测模型；

S4：异常数据检测，将检测数据集作为模糊孪生支持向量机异常检测模型输入，根据每组数据的标签值判断该数据是否为异常数据。

在步骤S1中，原始数据集x＝{x₁,x₂,...,x_n}，其中x_i∈Rⁿ,i＝1,2,...,n，x_i表示传感器检测到的数据。

在步骤S2中，本方法采用最大-最小值方法对原始数据集x中的每一组数据x_i进行归一化处理，公式为：

归一化处理后得到数据集X＝{X₁,X₂,...,X_n}，每组数据X_i∈[0,1]，min和max分别是每组监测数据的最小值和最大值。

本实施例中，随机选取数据集X的2/5构成训练数据集X_train，对训练数据集X_train人为添加标签信息。X_train＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)},其中x_i∈Rⁿ，y_i∈{+1,-1},i＝1,2,...,n。y_i为对训练数据集人为添加的标签信息，当y_i＝1时，代表该数据是正常数据，当y_i＝-1时，代表该数据是异常数据。数据集X中，剩下3/5的数据作为检测数据集X_test。

为了克服样本的不平衡性问题，使用合成少数类过采样技术(SMOTE)进行类不平衡处理。SMOTE算法的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中。所述SMOTE算法包括以下步骤：

S21:异常数据比例一般低于正常数据，故将异常数据作为少数类，对于异常数据中每一个传感器采集数据x，以欧氏距离为标准计算它到少数类样本集σ中所有样本的距离，得到其K近邻。σ＝{(x_i,y_i)|y_i＝-1},i＝1,2,...,n，y_i表示对训练数据集人为添加的标签信息，当y_i＝1时，代表该数据是正常数据，当y_i＝-1时，代表该数据是异常数据；

S22:根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于传感器采集数据x，从其K近邻中随机选择3个样本，假设选择的近邻为x_n。

S23:对于每一个随机选出的近邻x_n，分别与原样本按照如下的公式构建新的样本：

x_new＝x+rand(0,1)*|x-x_n|，

S24：将构建的新的样本添加到训练数据集X_train中。

进一步，在步骤S3中，建立模糊孪生支持向量机异常检测模型包括以下步骤：

S31：为了避免无线传感网数据在低维空间不能线性可分的情况，特此引入核函数K(x,z)将低维空间的输入值映射到高维空间进行内积运算，从而实现非线性变换后的线性可分。本发明选择径向基核函数：

τ为核参数。

(1)将训练数据集X_train作为模糊孪生支持向量机异常检测模型训练输入数据集。

(2)目标优化函数：

ξ_i≥0,i＝1,2,...,n，

其中，C为惩罚系数，ξ_i为松弛变量，w表示权重，b表示偏置，

表示x_i对应的模糊孪生支持向量机异常检测模型输出；

引入拉格朗日函数将目标优化函数转换为对偶问题：

得到最优解

选择

的一个分量

满足

计算：

(4)得到分类决策函数：

S32：根据步骤S31可知，惩罚系数C是求解目标优化函数的前提条件，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C包括以下步骤：

S32.1：初始化寻优数据集M＝{(X₁,Y₁),(X₂,Y₂),...,(X_i,Y_i)},i＝1,2,...,L，L代表数据集M的大小，根据训练数据集的大小动态选择，一般选取训练数据集数据量的

数据集M中的数据(X_i,Y_i)包含两个特征，分别是当前位置(X_axisc,Y_axisc)和历史位置(X_axis,Y_axis)，它们的取值范围是[0,100]。初始化最大迭代次数max_gen，max_gen的取值与训练数据集的数据量呈反比。

S32.2：将数据集M随机划分为三个子集groupA、groupB、groupC，分别执行本地目标搜索和全局目标搜索；本地目标搜索是指目标搜索只在本数据集合内执行，全局搜索是指目标搜索在整个空间内执行。目标搜索行进距离DS＝θ*((max_gen-k)/max_gen)^α,θ∈[5,10],α∈[2,6]。k是当前迭代次数，k＝1,2,...,max_gen，本实施例中，max_gen＝100。

S32.3：判断当前迭代次数和最大迭代次数的大小关系

如果k＜max_gen/20：

groupA根据公式(1)执行本地目标搜索:

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(3)执行全局目标搜索：

如果k＞＝max_gen/20:

groupA根据公式(1)执行本地目标搜索：

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(4)执行全局目标搜索：

其中RandomValue表示区间[5,20]范围内的随机数；

S32.4：计算数据集M中所有数据点与原点距离D，取距离D的和的倒数为惩罚系数判定值S。惩罚系数C＝M*S，M的取值需要根据C的定义域进行修正。本发明取C∈[0,1000]，将S的范围限制在[0,100],因此M＝10。对于数据集M中每一个数据点，都能确定一个当前迭代次数中惩罚系数C。

S32.5：对所有确定的惩罚系数C，回到步骤S31中，将训练数据集作为数据输入，得到分类决策函数，求出由每一个惩罚系数C所建立的异常检测模型的分类准确率accuracy_i。根据分类准确率得到适应度函数：

Function(S_i)＝accuracy_i×η×S_i，

η是权值。

S32.6:根据公式(5)计算出每个数据点的惩罚系数确定值

根据

的最大值找出表现最佳数据点。

S32.7：对于表现最佳的数据点，根据公式(5)计算出当前和历史迭代中表现最佳数据点的惩罚系数确定值和位置，

和

分别是当前迭代和历史迭代中表现最佳数据点的惩罚系数确定值。

如果

大于

将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为当前迭代中表现最佳数据点惩罚系数确定值和位置。

如果

小于

只更新当前迭代中表现最佳数据点的位置。

得到当前迭代和历史迭代表现最佳数据点的惩罚系数确定值以及位置。

S32.8：为了平衡数据点的全局搜索能力和本地搜索能力，每个数据点位置利用公式(7)更新:

此时，(X_axis,Y_axis)和(X_axisc,Y_axisc)代表历史迭代和当前迭代表现最佳数据点的位置。

S32.9：根据公式(5)计算出每个数据点的惩罚系数确定值，

是步骤S32.8搜索条件下最佳数据点的惩罚系数确定值。

如果

大于

将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为步骤S32.8搜索条件下表现最佳数据点惩罚系数确定值和位置。

如果

小于

只更新步骤S32.8搜索条件下表现最佳数据点的位置。

S32.10：选择

作为当前迭代次数惩罚系数最终确定值，根据公式(5)的逆运算求出由

确定的惩罚系数判定值S，由公式C＝M*S求出当前迭代次数中最终确定的惩罚系数C。

S32.11:回到步骤S32.3进行下一次迭代寻优，直到当前迭代次数满足最大迭代次数，终止搜索。此时，得到每次迭代确定的惩罚系数C。根据经验表明，惩罚系数C越大，分类误差往往会越大，因此选择最小的C值作为最终异常检测模型的惩罚系数。将最终确定的惩罚系数C作为返回值，回到步骤S31中，建立异常检测模型。

在步骤S4中，将检测数据集输入到已经建立的模糊孪生支持向量机异常检测模型中，模型输出值为-1的数据即为原始数据集中的异常数据，模型输出值为1的数据即为原始数据集中的正常数据。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种无线传感网异常检测方法，其特征在于：包括以下步骤；

S1、传感器监测节点实时汇集来自各个传感器监测的数据，形成原始数据集x＝{x₁,x₂,...,x_i,...,x_n}，x_i∈Rⁿ,i＝1,2,...,n，x_i表示传感器采集的数据，并以无线通信的方式进行传输和存储；

S2、对传感器采集到的数据集进行数据预处理，所述数据预处理包括数据归一化处理、类不平衡处理以及训练数据集、检测数据集的划分，归一化处理后的数据集为X＝{X₁,X₂,...,X_i,...,X_n}；

S3：建立无线传感网异常检测模型，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C，将训练数据集作为数据输入，建立无线传感网异常检测模型；

S4：利用已经建立的无线传感网异常检测模型，将检测数据集作为模型的输入，根据模型的输出结果，判断检测数据集中正常数据和异常数据，完成无线传感网异常数据检测；无线传感网异常检测模型为模糊孪生支持向量机异常检测模型，建立该模型的步骤为：

S31)、为了避免无线传感网数据在低维空间不能线性可分的情况，引入核函数K(x,z)将低维空间的输入值映射到高维空间进行内积运算，从而实现非线性变换后的线性可分；

S32)、将训练数据集作为模糊孪生支持向量机异常检测模型训练输入数据集；

S33)、设置目标优化函数：

其中，C为惩罚系数，ξ_i为松弛变量，w表示权重，b表示偏置，

表示x_i对应的模糊孪生支持向量机异常检测模型输出；

S34)、引入拉格朗日函数将目标优化函数转换为对偶问题：

得到最优解

S35)、选择

的一个分量

满足

计算：

S36)、得到分类决策函数：

S37)、惩罚系数C是求解目标优化函数的前提条件，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C；利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C具体步骤为：

S38)、初始化寻优数据集M＝{(X₁,Y₁),(X₂,Y₂),...,(X_i,Y_i)},i＝1,2,...,L，其中L代表数据集M的大小，根据训练数据集的大小动态选择；数据集M中的数据(X_i,Y_i)包含两个特征，分别是当前位置(X_axisc,Y_axisc)和历史位置(X_axis,Y_axis)，它们的取值范围是[0,100]，初始化最大迭代次数max_gen，max_gen的取值与训练数据集的数据量呈反比；

S39)、将数据集M随机划分为三个子集groupA、groupB、groupC，分别执行本地目标搜索和全局目标搜索；目标搜索行进距离DS＝θ*((max_gen-k)/max_gen)^α,θ∈[5,10],α∈[2,6]，k是当前迭代次数，k＝1,2,...,max_gen；

S310)、各个子集搜索策略按照如下方式执行：

如果k＜max_gen/20，

groupA根据公式(1)执行本地目标搜索:

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(3)执行全局目标搜索：

如果k＞＝max_gen/20，

groupA根据公式(1)执行本地目标搜索：

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(4)执行全局目标搜索：

RandomValue表示区间[5,20]范围内的随机数；

S311)、计算惩罚系数判定值S：计算数据集M中所有数据点与原点距离D，取距离D的和的倒数为惩罚系数判定值S，惩罚系数C＝M*S，M的取值根据C的定义域进行修正，对于数据集M中每一个数据点，都能确定一个当前迭代次数中惩罚系数C，

S312)、适应度函数计算：求出由每一个惩罚系数C所建立的异常检测模型的分类准确率accuracyi，

适应度函数Function(S_i)＝accuracy_i×η×S_i，

η是权值；

S313)、惩罚系数确定值计算：

根据

的最大值找出表现最佳数据点，表现最佳数据点就是惩罚系数确定值；

S314)、表现最佳数据点处理：根据公式(5)计算出当前和历史迭代中表现最佳数据点的惩罚系数确定值和位置，

和

分别是当前迭代和历史迭代中表现最佳数据点的惩罚系数确定值；

如果

大于

将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为当前迭代中表现最佳数据点惩罚系数确定值和位置，

如果

小于

只更新当前迭代中表现最佳数据点的位置，

得到当前迭代和历史迭代表现最佳数据点的惩罚系数确定值以及位置，

S315)、为了平衡数据点的全局搜索能力和本地搜索能力，每个数据点位置利用公式(7)更新:

此时，(X_axis,Y_axis)和(X_axisc,Y_axisc)代表历史迭代和当前迭代表现最佳数据点的位置；

S316)、根据公式(5)计算出每个数据点的惩罚系数确定值，

是步骤S315)搜索条件下最佳数据点的惩罚系数确定值，

如果

大于

将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为步骤S315)搜索条件下表现最佳数据点惩罚系数确定值和位置，

如果

小于

只更新步骤S315)搜索条件下表现最佳数据点的位置；

S317)、选择

作为当前迭代次数惩罚系数最终确定值，根据公式(5)的逆运算求出由

确定的惩罚系数判定值S，由公式C＝M*S求出当前迭代次数中最终确定的惩罚系数C；

S318)异常检测模型的最优惩罚系数：所有迭代寻优执行结束，得到每次迭代确定的惩罚系数C。

2.根据权利要求1所述的无线传感网异常检测方法，其特征在于：步骤S2中，利用合成少数类过采样技术对检测数据集进行类不平衡处理，具体步骤为：

S21)、异常数据比例低于正常数据，故将异常数据作为少数类，对于异常数据中每一个传感器采集数据x，以欧氏距离为标准计算它到少数类样本集σ中所有样本的距离，得到其K近邻，σ＝{(x_i,y_i)|y_i＝-1},i＝1,2,...,n，y_i表示对训练数据集人为添加的标签信息，当y_i＝1时，代表该数据是正常数据，当y_i＝-1时，代表该数据是异常数据；

S22)、根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于传感器采集数据x，从其K近邻中随机选择3个样本，假设选择的近邻为x_n；

S23)、对于每一个随机选出的近邻x_n，分别与原样本按照如下的公式构建新的样本：

x_new＝x+rand(0,1)*|x-x_n|；

S24)、将构建的新的样本添加到训练数据集中。

3.根据权利要求1所述的无线传感网异常检测方法，其特征在于：步骤S2中，对检测数据集进行归一化的处理公式为：

其中，x_i表示原始数据集中的数据，X_i表示归一化处理后的数据，X_i∈[0,1]，min是原始数据集中的最小值，max是原始数据集的最大值。

4.根据权利要求1所述的无线传感网异常检测方法，其特征在于：步骤S318)中，选择最小的C值作为异常检测模型的最优惩罚系数。

5.根据权利要求1所述的无线传感网异常检测方法，其特征在于：步骤S31)中，选取训练数据集数据量的

作为寻优数据集M的大小。

6.根据权利要求1所述的无线传感网异常检测方法，其特征在于：随机选取归一化后数据集X的2/5构成训练数据集X_train，对训练数据集X_train人为添加标签信息，X_train＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)},其中x_i∈Rⁿ，y_i∈{+1,-1},i＝1,2,...,n，y_i为对训练数据集人为添加的标签信息，当y_i＝1时，代表该数据是正常数据，当y_i＝-1时，代表该数据是异常数据，数据集X中，剩下3/5的数据作为检测数据集X_test。

7.根据权利要求1所述的无线传感网异常检测方法，其特征在于：步骤S31中，选择径向基核函数，

τ为核参数。

Images