CN112712109B - 一种单点信源的分布式检测融合方法 - Google Patents
一种单点信源的分布式检测融合方法 Download PDFInfo
- Publication number
- CN112712109B CN112712109B CN202011501489.2A CN202011501489A CN112712109B CN 112712109 B CN112712109 B CN 112712109B CN 202011501489 A CN202011501489 A CN 202011501489A CN 112712109 B CN112712109 B CN 112712109B
- Authority
- CN
- China
- Prior art keywords
- alarm
- concentration
- rate
- humidity
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明涉及一种单点信源的分布式检测融合方法,包括步骤:(1)根据报警器的报警信号工作流程,采用相关系数法对报警的各个过程进行数学建模,得到正常环境下的报警器报警过程模型;(2)针对环境面临浓度的差异性大、温湿度条件不可控等问题,采用联合分布函数对浓度和湿度进行漏警率影响分析,构建报警器漏警率与当前位置浓度、湿度的关系模型;(3)根据环境中汽油、柴油、煤油等对报警装备的干扰影响,构建单个报警器虚警率模型;(4)根据报警器分布规律,以两个报警器为例设计分布式信息融合规则,构建基于贝叶斯的检测数据融合算法。本发明的漏警率和虚警率大大降低。
Description
技术领域
本发明涉及一种单点信源的分布式检测融合方法,化学危害信息体系技术领域。
背景技术
当发生爆炸事故后,有毒有害物质被分散成为蒸气、气溶胶进入大气中,形成有毒有害云团。而有毒有害云团将随气流一起运动,同时向四周扩散,形成危害区域。单点信源是化学危害信息体系中重要组成部分,通常指化学气溶胶报警器,部署数量多,分布范围广,能够对常见的进行及时报警。在信息化条件下,上信息收集渠道多样化,信源种类和技术手段也丰富多样,同时衍生出了信息领域和电磁领域的斗争,对信息的甄别能力提出了更高的要求。在化学危害领域内,要对各种各样信源监测的繁杂信息进行甄别,找出真实有效的信息,快捷高效、精准可靠地对各信源数据进行融合处理是化学危害预测的关键技术之一。
目前尚未查阅到相关文献和相关专利,未发表过相关论文等。
发明内容
本发明技术解决问题:克服现有单个报警器漏警率和虚警率高,导致检测数据融合报警精度低,难以满足作战需要,提供一种单点信源的分布式检测融合方法,对报警器的物理模型和数学模型进行刻画,对报警过程进行数学建模,基于贝叶斯准则设计了单点信源的融合算法,并对4种影响因素进行了数值仿真,漏警率和虚警率可下降约2个数量级。
本发明技术解决方案:一种单点信源的分布式检测融合方法,包括以下步骤:
(1)报警器报警过程模型构建:根据报警器报警工作原理,采用相关系数法对报警判决因子进行数学建模,得到正常环境下的报警器的报警过程模型;所述报警判决因子包括浓度、温度、湿度、压力和流量;
(2)漏警率基础模型构建:针对环境面临浓度和温湿度条件,分别构建报警器漏警率与当前位置浓度、湿度的关系模型,采用联合分布函数对浓度关系模型和湿度关系模型进行综合设计,构建报警器的漏警率模型;
(3)虚警率基础模型构建:根据环境中汽油、柴油、煤油对报警器的干扰影响,在漏警率模型构建的基础上,构建单个报警器的虚警率模型;
(4)基于贝叶斯的分布式融合算法:根据报警器的分布规律、报警器过程模型、漏警率模型和虚警率模型,采用分布式信息融合方法,构建基于贝叶斯的检测数据融合算法,从而得到分布式信源检测数据融合模型,实现单点信源的分布式检测融合。
所述步骤(1)具体实现如下:
报警器的报警信号与多个外部因素有关,包括浓度、温度、湿度、压力和流量;采用相关系数法对报警器各通道数据进行分析,最终形成“有”或“无”的决策,并利用传感器对决策进行修正,采用下式来表示报警器的报警过程模型:
G=f(e1,e2,e3,e4,e5,e6)×kT×kH×kP×kF
其中,G表示报警结果;kT为温度修正因子;kH为湿度修正因子;kP为压力修正因子;kF为流量修正因子;f(e1,e2,e3,e4,e5,e6)为6个通道数据的相关系数函数,输出相关系数值,公式如下。
所述步骤(2)具体实现如下:
(21)报警器漏警率与浓度的关系模型构建与分析
根据报警器原理和影响因素分析,漏警率与浓度的关系模型如下:
其中,PM(C)为漏警率与浓度的关系函数;C为当前位置浓度;Cd为最低门限浓度;C0为报警器指标参考浓度;低于最低门限浓度时,不存在漏警的情况,因此用表示;f′(C)为低浓度相关函数;f″(C)为高浓度相关函数。
(22)报警器漏警率与湿度的关系模型构建与分析
根据报警器原理和影响因素分析,漏警率与湿度的关系模型如下:
PM(H)=aebx
其中,PM(H)为漏警率与湿度的关系函数;a为漏警率拟合参数;b为指数函数拟合参数,a和b均由实验数据拟合得到;x为当前位置的相对湿度。
(23)报警器漏警率与浓度、湿度的联合分布关系模型构建
从报警器工作原理可知,浓度与湿度是2个独立变量,则联合分布函数是边缘分布函数之积,得到报警器漏警率与当前位置浓度、湿度的关系如下:
PM=1-(1-PM(C))(1-(PM(H))
其中,C为报警器所处位置的浓度,mg/m3;H为当前位置的相对湿度,%。
所述步骤(3)中构建的单个报警器虚警率采用下式表示:
其中,c(t)为随机生成的噪声环境的浓度,代表中各类干扰源的干扰,c(t)满足高斯噪声的分布规律,即c(t)~N(μ,σ2),μ为高斯分布的期望值,σ为高斯分布的方差,由具体的环境决定;C为报警器所处位置的浓度,mg/m3;P0为报警器虚警的先验概率。
所述步骤(4)具体实现如下:
(41)检测数据融合方法设计
对于一个危害事件具有H0和H1两种判断,其先验概率设为P0和P1,对于N个信源来说,其局部判决ui为:
融合中心接收来自每一个信源的判决结果,得出经过融合后的判决u0为:
以上判决规则包含了简单的逻辑运算规则,“与”规则降低虚警率的发生,“或”规则降低漏警率的发生,有一些规则明显不适用,其结果与输入输出没有任何关系。
(42)基于贝叶斯准则的融合算法构建与分析
根据检测数据融合方法,构建基于贝叶斯准则的融合算法,如下所示:
其中,PFi、PDi、PMi分别表示信源i的虚警、检测和漏警概率, ui为单个信源的局部判决;N为信源总个数;u0为N个信源融合后的判决;η为门限。当式的左边大于等于右边时,融合输出u0=1,即认为H1成立,即危害事件成立,否则H0成立,即不存在危害事件。
本发明与现有技术相比的优点在于:
(1)构建报警器漏警率模型,利用试验数据进行模型分析。现有文献中没有相关成熟成果。该模型可在分布式检测融合时增加报警器漏警信息,有效预测检测区域内各节点位置浓度,进而防止因漏报导致的人员伤亡。
(2)构建报警器虚警率模型。现有文献中没有相关成熟成果。该模型可剔除报警信号中的误报数据,有效降低虚警带来的报警偏差,进而提高分布式检测信息融合的精度。
(3)基于贝叶斯准则,设计了单点信源的融合算法,并对4种影响因素进行了数值仿真。通过仿真计算,报警器漏警率和虚警率可下降约2个数量级,较现有技术有明显的提升,报警器的实战化水平也得以大大提升。
附图说明
图1为本发明方法实现流程图;
图2为离子迁移谱报警器原理图;
图3为漏警率与浓度的关系;
图4为报警器漏警率与浓度的关系(对数坐标);
图5为漏警率与相对湿度的关系;
图6为漏警率与相对湿度的拟合曲线。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示,本发明具体实现如下:
(1)报警器报警过程模型构建
单点信源在某一时刻只能报告其所在位置的浓度情况,在达到报警阈值时进行报警。由于目前尚未查阅到相关文献对单个报警器的漏警率和虚警率进行研究,本发明将对报警器的物理模型和数学模型进行刻画,对报警过程进行数学建模,为融合算法的设计提供依据。
以离子迁移谱型的报警器为例,其报警工作原理是待检蒸气在微型泵的作用下进入电离室,被放射源电离形成离子簇。离子簇被气流带入空气分离漂移管后,在径向电场的垂直作用下发生偏转。由于不同离子束的迁移率是不同的,因此极板可以收集到不同物质的电流特征,如国外某型报警器有6个极板,从而形成6个通道,利用这6个通道的数据特征就可以对气体的种类进行判断,经信号放大器放大后由微型处理器进行报警处理。另外,报警器内置了温湿度传感器、压力传感器和流量传感器,用于对特征电流的补偿和概略测量浓度,其原理如2所示。
通过图2可以看到,报警器的报警信号与多个外部因素有关,包括浓度、温度、湿度、压力和流量等。离子迁移谱型报警器通常采用相关系数法来分析6个通道的数据,最终形成“有”或“无”的决策,并利用传感器对决策进行修正。可用下式来表示报警器的判决过程:
G=f(e1,e2,e3,e4,e5,e6)×kT×kH×kP×kF
式中:G表示判决结果;f(e1,e2,e3,e4,e5,e6)表示6个通道数据的相关系数函数,输出相关系数值;kT为温度修正因子;kH为湿度修正因子;kP为压力修正因子;kF为流量修正因子。
相关系数的求解方法为:
其中Sxy为样本协方差:
Sx表示X的样本标准差,通常由标准气体获得。
Sy表示Y的样本标准差,为待测气体。
根据相关文献的研究,在正常的监测范围内,对于温湿度、压力和流量等信号的修正已在装备内部完成,输出结果已经包含了这些参数的权重叠加,因此在一定的环境条件下,其报警性能是可靠的。但条件下面临浓度的差异性大、温湿度条件不可控等问题,报警器存在漏警和虚警的概率。
(2)漏警率模型构建PM
报警器的灵敏度受浓度的影响较大,在浓度较低时,由于离子簇在空气中的占比较少,特征电流的值不稳定,相关系数f一般处于较低的水平,会出现响应时间变长,或者不报警的情况。而当的浓度太大,超过参考浓度1个数量级以上时,反应时间也会增长,漏警率增加;一旦超过参考浓度3个数量级以上时,就会出现无法报警的现象,其主要原因是离子浓度太大时,极板产生的电流已无法形成特征峰,检测算法无法检测出峰值,造成部分通道内数据失真。
除浓度这个输入条件的影响外,报警器的漏警率还与环境因素有关。根据查阅的文献和相关实验数据来看,由于考虑了修正因子,温度和压力与报警结果的相关性不大。而对于流量参数,装备内部已经进行了调整,且在装备性能良好的情况下,输入流量是固定的,本发明也不作为影响因素考虑。而湿度对离子迁移谱型的报警器影响比较大,主要原因是水分子的存在可能改变其电流效应,在湿度很大的情况下,对判定准确度有比较明显的影响。
综上,在固定其它环境变量的情况下,本发明主要考虑浓度与湿度对报警器漏警率的影响。
21、浓度的影响
根据报警器原理和影响因素分析,本项目用下式表示漏警率与浓度的关系:
把各参数设为:Cd=0.005mg/m3,C0=1.5mg/m3,所以求出f′(C)和f″(C)即可。
本发明主要依据历史数据分析低浓度条件下漏警率的变化规律,在近2000组数据中提取相对湿度在58%-60%之间的595组数据,统计其漏警次数和漏警率,结果如表1所示。
表1报警器漏警率与浓度的关系(沙林)
根据表中的数据作出变化趋势,如图3所示。
从图3中可以看到在相对湿度基本相同的情况下,随着浓度的上升漏警率有下降趋势。报警器的检验标准为0.2mg/m3左右,因此没有更高浓度的数据支持,采用指数曲线拟合数据,其表达式为:
f(C)=aCb
拟合后求出参数:a=0.2992,b=-0.8048,则低浓度条件下,f′(C)=aCb=0.29C(-0.82)。由此可以得到,当浓度为装备指标浓度时,其漏警率λ=0.21%。
而对于高浓度条件下的f″(c)的求解,可利用边界条件获取。在浓度超过1个数量级时,特征电流以指数函数形式下降,直到达到3数量级时变为0。因此,可推论在浓度超过1个数量级时,漏警率以指数函数方式上升,直到3个数量级时变为100%,因此其边界条件为:f″(15)=0.21%,f″(1500)=100%,则其指数函数表达式为:
f″(C)=0.006*C1.33
综上,可以做出漏警率与浓度的关系曲线如图4所示,由于最低浓度与最高浓度值差异性非常大,常规坐标系内不容易看出趋势变化,因此采用的是对数坐标系。
从图4中可以看出,随着浓度的变化,报警器的漏警率呈现出先下降后上升的趋势,为本项目研究基于报警器的信息融合技术提供了基础。
22、湿度的影响
从数据中提取浓度均为0.2mg/m3的数据,然后按相对湿度排列,结果如表2和如图5所示。
表2报警器漏警率与湿度的关系(沙林)
从图5中可以看到,总体上相对湿度越高,其漏警率越高,在湿度大于50%时,漏警率有明显的上升,把数据点进行拟合,结果如图6所示。
用PM(H)=aebx拟合所获得的数据,得到结果:a=0.0001614,b=0.1582。从曲线的趋势可以看到,在湿度增加到一定程度时,其漏警率上升明显,在湿度达到80%以后,其漏警率理论上可达50%。
从报警器原理可知,浓度与湿度是2个独立变量,则联合分布函数是边缘分布函数之积,得到报警器漏警率与当前位置浓度、湿度的关系如下:
PM=1-(1-PM(C))(1-(PM(H))
其中,C为报警器所处位置的浓度,mg/m3;H为当前位置的相对湿度,%。
可见,受浓度与湿度的影响,报警器的漏警率波动较大,复杂环境下单个报警器的检测率不稳定。
(3)虚警率模型构建PF
当环境中存在汽油、柴油、煤油等尾气时,会对报警装备形成干扰,根据国外相关文献的实验结果,在干扰气浓度大于0.1%时,就无法保证正确识别。为简化计算过程,单个报警器虚警率可用下式表示:
其中,C为报警器所处位置的浓度,mg/m3;c(t)为随机生成的噪声环境的浓度,代表中各类干扰源的干扰,与存在的干扰源有比较大的关系,设c(t)满足高斯噪声的分布规律,则c(t)可以写成:
c(t)~N(μ,σ2)
式中的参数μ和σ由具体的环境决定。
(4)基于贝叶斯的分布式融合算法设计
分布式检测融合算法的本质就是检测器规则的优化设计问题,一般包括融合中心的融合规则和局部信源检测规则。分布式检测融合的最终目标是使这两个规则同时达到最优,主要包括以下三种形式:
(41)全局最优化。使融合中心的虚警率不大于某一个值,然后寻求最优的局部判决准则和融合准则。
(42)融合准则优化。即给定局部信源的判决规则,寻求局部规则约束下极大化系统检测性能。
(43)局部判决规则优化。即给定融合准则,寻求最优的局部判决准则。
内分布的单点信源的局部判断规则已在装备内部完成,因此化学危害分布式检测融合主要是优化融合准则,即在局部判断规则已知的情况下,如何通过算法优化融合后的结果,使系统的虚警率和漏警率最优。
A、融合方法设计
以2个报警器为例,假设其漏警率均为50%,则单个报警器的漏警率PM=0.5。如果对2个报警器进行融合分析,这里融合中心以简单并集的形式进行融合,结果如表3所示。
表3融合算法举例
从上表可以看到,经过融合后,当H1为真,而错误地判断为H0的概率由原来的0.5,下降到了0.25,即漏警率下降50%。
上述例子仅考虑了漏警率,采用并集运算的方法就可以使漏警率下降。但在实际情况中,报警器还存在一定的虚警率,并集运算同样会使虚警率上升,给化学防护带来不利影响。另外,不同位置报警器的漏警率和虚警率并不相同,需要采用更为全面的算法解决。实际上,上述例子是硬判决规则的一部分,如果推广到一般情况,根据上文对化学危害检测融合的描述,对于一个化学袭击事件具有H0和H1两种判断,其先验概率设为P0和P1,对于N个信源来说,其局部判决为:
融合中心接收来自每一个信源的判决结果,可以得出经过融合后的决策:
对于一个二元的假设检测问题,最重要的是确定其判决准则,即根据多个局部输入以一定的规则输出“1”或“0”的判决结果。未采用融合算法时,当有N个局部判决结果时,会存在个决策结果。假设存在2个局部信源,那么可能存在的规则有16种,如表4所示。
表4两个二元输入的可能融合规则
在以上判决规则中包含了简单的逻辑运算规则,如f2代表“与”规则,可以降低虚警率的发生,而f12表示的是“或”规则,可以降低漏警率的发生。有一些规则明显不适用,如f1和f16,其结果与输入输出没有任何关系,所以理想的融合规则函数应该具有以下特征:
①输出结果与每一个输入都具有相关性;
②当整体判决结果为1时,不会因局部判决为1的个数增加而增加。
根据上述规则,f3和f9即可排除,可以把融合规则减少到一个较少的水平,如“与”、“或”和“大数规则”都可以满足以上要求,但是无法得到最优解,因此,确定最优的融合规则,是检测融合的核心。
B、基于贝叶斯准则的融合算法
单个报警器输出的结果可以看作是一个二元随机变量,根据上述描述,用PF,PD,PM分别表示信源i的虚警、检测和漏警概率,即:
在融合中心的判决u0也用虚警、检测和漏警概率描述,分别用PF、PD和PM表示:
PF=Pr(u0=1|H0)
PD=Pr(u0=1|H1)
PM=Pr(u0=0|H1)
以y代表信源的观测值,那么基于两种不同假设条件概率p(y|Hi),i=0,1,假设这些都为先验概率,用P0和P1表示。检测融合的最终目的是通过融合中心的判决算法,使最终决策的代价最小,因此设定每一个可能的判决结果的代价为εij,i=0,1,j=0,1,可以代表当Hj是事实时判决为Hi的代价,则贝叶斯风险函数:
设R为所有观测值的空间区域,Ri与假设Hi的决策区域一致。设当观测值在区域Ri时,Hi为真。可将上式分解为由R0和R1组成的观测域空间:
由于观测空间的点是根据已知的条件概率生成的,所以在全部的观测空间内,其累积分布概率为1,即:
∫Rp(y|Hj)dy=1,j=0,1
式中,η表示门限。根据全局判决的定义,上式左侧可以写成:
两边取对数,则有:
把观测域Ri展开得到:
由此可以得到最终的融合判决规则,即通过比较左右两边的数值大小来实现。
当式的左边大于等于右边时,融合输出u0=1,即认为H1成立,即危害事件成立,否则H0成立,即不存在危害事件。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种单点信源的分布式检测融合方法,其特征在于,包括以下步骤:
(1)报警器报警过程模型构建:根据报警器报警工作原理,采用相关系数法对报警判决因子进行数学建模,得到正常环境下的报警器的报警过程模型;所述报警判决因子包括浓度、温度、湿度、压力和流量;
(2)漏警率基础模型构建:针对环境面临浓度和温湿度条件,分别构建报警器漏警率与当前位置浓度、湿度的关系模型,采用联合分布函数对浓度关系模型和湿度关系模型进行综合设计,构建报警器的漏警率模型;
(3)虚警率基础模型构建:根据环境中汽油、柴油、煤油对报警器的干扰影响,在漏警率模型构建的基础上,构建单个报警器的虚警率模型;
(4)基于贝叶斯的分布式融合算法:根据报警器的分布规律、报警器过程模型、漏警率模型和虚警率模型,采用分布式信息融合方法,构建基于贝叶斯的检测数据融合算法,得到分布式信源检测数据融合模型,从而实现单点信源的分布式检测融合。
2.根据权利要求1所述的单点信源的分布式检测融合方法,其特征在于:所述步骤(1)具体实现如下:
报警器的报警信号与多个外部因素有关,包括浓度、温度、湿度、压力和流量;采用相关系数法对报警器各通道数据进行分析,最终形成有无的决策,并利用传感器对决策进行修正,采用下式来表示报警器的报警过程模型:
G=f(e1,e2,e3,e4,e5,e6)×kT×kH×kP×kF
其中,G表示报警结果;kT为温度修正因子;kH为湿度修正因子;kP为压力修正因子;kF为流量修正因子;f(e1,e2,e3,e4,e5,e6)为6个通道数据的相关系数函数,输出相关系数值,公式如下:
3.根据权利要求1所述的单点信源的分布式检测融合方法,其特征在于:所述步骤(2)具体实现如下:
(21)报警器漏警率与浓度的关系模型构建与分析
根据报警器原理和影响因素分析,漏警率与浓度的关系模型如下:
其中,PM(C)为漏警率与浓度的关系函数;C为当前位置浓度;Cd为最低门限浓度;C0为报警器指标参考浓度;低于最低门限浓度时,不存在漏警的情况,因此用表示;f′(C)为低浓度相关函数;f″(C)为高浓度相关函数。
(22)报警器漏警率与湿度的关系模型构建与分析
根据报警器原理和影响因素分析,漏警率与湿度的关系模型如下:
PM(H)=aebx
其中,PM(H)为漏警率与湿度的关系函数;a为漏警率拟合参数;b为指数函数拟合参数,a和b均由实验数据拟合得到;x为当前位置的相对湿度。
(23)报警器漏警率与浓度、湿度的联合分布关系模型构建
从报警器工作原理可知,浓度与湿度是2个独立变量,则联合分布函数是边缘分布函数之积,得到报警器漏警率与当前位置浓度、湿度的关系如下:
PM=1-(1-PM(C))(1-(PM(H))
其中,C为报警器所处位置的浓度,mg/m3;H为当前位置的相对湿度,%。
5.根据权利要求1所述的单点信源的分布式检测融合方法,其特征在于:所述步骤(4)具体实现如下:
(41)检测数据融合方法设计
对于一个危害事件具有H0和H1两种判断,其先验概率设为P0和P1,对于N个信源来说,其局部判决ui为:
融合中心接收来自每一个信源的判决结果,得出经过融合后的判决u0为:
以上判决规则包含了简单的逻辑运算规则,“与”规则降低虚警率的发生,“或”规则降低漏警率的发生,有一些规则明显不适用,其结果与输入输出没有任何关系。
(42)基于贝叶斯准则的融合算法构建与分析
根据检测数据融合方法,构建基于贝叶斯准则的融合算法,如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501489.2A CN112712109B (zh) | 2020-12-18 | 2020-12-18 | 一种单点信源的分布式检测融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501489.2A CN112712109B (zh) | 2020-12-18 | 2020-12-18 | 一种单点信源的分布式检测融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712109A CN112712109A (zh) | 2021-04-27 |
CN112712109B true CN112712109B (zh) | 2022-10-11 |
Family
ID=75544475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011501489.2A Active CN112712109B (zh) | 2020-12-18 | 2020-12-18 | 一种单点信源的分布式检测融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712109B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108050397A (zh) * | 2018-01-24 | 2018-05-18 | 东北大学 | 基于光纤多源信号的分层序贯比管道泄漏监控方法及系统 |
CN109842682A (zh) * | 2019-01-31 | 2019-06-04 | 内蒙古工业大学 | 一种基于物联网的分布式环境安全学习及预警方法 |
-
2020
- 2020-12-18 CN CN202011501489.2A patent/CN112712109B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108050397A (zh) * | 2018-01-24 | 2018-05-18 | 东北大学 | 基于光纤多源信号的分层序贯比管道泄漏监控方法及系统 |
CN109842682A (zh) * | 2019-01-31 | 2019-06-04 | 内蒙古工业大学 | 一种基于物联网的分布式环境安全学习及预警方法 |
Non-Patent Citations (1)
Title |
---|
多传感器分布式融合检测自适应算法;杨露菁等;《探测与控制学报》;20061030(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112712109A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169600B (zh) | 识别重大危险源的方法、系统、存储介质及计算机设备 | |
CN110912867B (zh) | 工业控制系统的入侵检测方法、装置、设备和存储介质 | |
CN108833416B (zh) | 一种scada系统信息安全风险评估方法及系统 | |
Idé et al. | Proximity-based anomaly detection using sparse structure learning | |
Rahman et al. | Multiple linear regression models in outlier detection | |
CN111898647B (zh) | 一种基于聚类分析的低压配电设备误告警识别方法 | |
US20150304346A1 (en) | Apparatus and method for detecting anomaly of network | |
CN102098180A (zh) | 一种网络安全态势感知方法 | |
Chang et al. | Anomaly detection for industrial control systems using k-means and convolutional autoencoder | |
CN109361648B (zh) | 工控系统的隐蔽攻击的检测方法及装置 | |
EP3361459B1 (en) | Method, apparatus and system for passive infrared sensor framework | |
CN105376193A (zh) | 安全事件的智能关联分析方法与装置 | |
Otuoze et al. | Electricity theft detection framework based on universal prediction algorithm | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
Liu et al. | Online Flooding Supervision in Packed Towers: An Integrated Data‐Driven Statistical Monitoring Method | |
Megantara et al. | Feature importance ranking for increasing performance of intrusion detection system | |
Mhawi et al. | Proposed Hybrid CorrelationFeatureSelectionForestPanalizedAttribute Approach to advance IDSs | |
CN112712109B (zh) | 一种单点信源的分布式检测融合方法 | |
Hegazy | Tag Eldien, AS; Tantawy, MM; Fouda, MM; TagElDien, HA Real-time locational detection of stealthy false data injection attack in smart grid: Using multivariate-based multi-label classification approach | |
Osmani et al. | Integrating fuzzy logic with Pearson correlation to optimize contaminant detection in water distribution system with uncertainty analyses | |
CN113542252A (zh) | Web攻击的检测方法、检测模型和检测装置 | |
US7958062B2 (en) | Method and system of creating health operating envelope for dynamic systems by unsupervised learning of a sequence of discrete event codes | |
CN113269327A (zh) | 一种基于机器学习的流量异常预测方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
Zhen et al. | A mathematical programming approach for the optimal placement of flame detectors in petrochemical facilities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |