CN112836582B - 基于动态稀疏子空间的高维流系统结构变点在线检测方法 - Google Patents
基于动态稀疏子空间的高维流系统结构变点在线检测方法 Download PDFInfo
- Publication number
- CN112836582B CN112836582B CN202110006561.2A CN202110006561A CN112836582B CN 112836582 B CN112836582 B CN 112836582B CN 202110006561 A CN202110006561 A CN 202110006561A CN 112836582 B CN112836582 B CN 112836582B
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- variable
- point
- points
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000008859 change Effects 0.000 claims abstract description 52
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 101001120215 Vipera ammodytes ammodytes Basic phospholipase A2 homolog ammodytin L Proteins 0.000 claims 2
- 230000005856 abnormality Effects 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000701959 Escherichia virus Lambda Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种基于动态稀疏子空间的高维流系统结构变点在线检测方法,高维流系统包括人体姿态动作系统、脑电波流系统、生产机器系统等;针对高维流系统中的传感器获取的高维流数据进行在线检测,相应得到人体姿态动作、脑电波、生产机器等高维流系统的结构变点。本发明实现了高维流数据系统的结构变点在线检测,降低了检测的时间成本,获得了优良的检测精度,可广泛应用于高维流系统状态、系统异常的实时检测。
Description
技术领域
本发明涉及结构变点的在线检测技术,具体涉及一种高维流系统数据在稀疏子空间模型下的结构变点在线检测方法。
背景技术
高维流系统产生的数据是指按照时间顺序不间断依次产生新的观测数据的高维时间序列数据,其广泛存在于生物系统、工程系统等诸多应用技术领域,高维流系统数据如:多个传感器返回的脑电波流数据、动作捕捉中人体姿态监测流数据、生产机器的生产过程流数据等。
高维流系统数据各个维度之间的相关关系可以反映深层次的高维流系统的状态信息。通常,高维流系统数据位于多个低维子空间中,维度之间相关关系或依赖结构是稀疏的。此外,由于一些外部事件、异常事件的发生或者人为操控因素的影响,低维子空间的结构、维度之间相关关系可能会随着时间的推移而发生变化,这种变化可以有效地反映高维流系统状态的演变,我们称这种变化为高维流系统的结构变化,该变点即为高维流系统的结构变点。比如,人体各个关节位置关系的变化可以反映人体动作的改变;TBM(隧道掘进机)工作期间,传感器数据之间关系的变化可以反映工作状态的变化或者外围岩层情况的变化。
2020年,张晨提出了一种动态多元函数数据建模方法,以检测高维流系统的结构变点。通过将问题构造为带有融合LASSO(Least Absolute Shrinkage and SelectionOperator)惩罚项的稀疏回归问题,利用快速迭代阈值收缩算法(FISTA),可以有效地估计不同变量之间的相关结构和变化点。但是,该方法不是一种在线检测方法,不能依时间循序地估计出变量间相关结构和检测出结构变化点。
发明内容
本发明的目的是提供一种新的基于稀疏子空间模型的方法,可以在线检测高维流系统的结构变点。本发明可以应用在数据相关关系发生变化的诸多应用领域中,如:在人体姿态监测流数据中检测人体动作的改变、在生产机器的生产过程流数据中检测生产机器工作状态的变化等。
本发明基于一种稀疏子空间模型,该模型假设高维流系统数据的数据空间可以分为若干个低维数据子空间,同一子空间中的变量之间具有很强的相关性,而不同子空间中的变量之间不具有相关性。在低维数据子空间中,每一个变量的时间序列都是若干个基序列的线性组合,因此,当变量个数高于基序列的个数,同一个子空间的变量之间可以互相线性表出。所以,高维流数据的所有变量可以互相线性表出,表出系数是稀疏的,便可以通过检测表出系数的变化来检测出相关性结构变点。
本发明的技术方案是:
一种基于动态稀疏子空间的高维流系统结构变点在线检测方法,高维流系统包括人体姿态动作系统、脑电波流系统、生产机器系统等;针对高维流系统中的传感器获取的高维流数据进行在线检测,相应得到人体姿态动作、脑电波、生产机器等高维流系统的结构变点;在线检测方法包括如下步骤:
1)构建稀疏子空间模型,用于表示高维流系统的数据;
假设高维流系统的数据Y共有p个变量,Y=[Y1,…,Yp],每个变量有N个观测样本数据Yi=[Yi1,…,YiN],i=1,…,p。观测存在一定观测误差,Yij=Cij+∈ij,i=1,…,p,j=1,…,N,其中,Xij是观测数据对应的真实数值,Xi=[Xi1,…,XiN],i=1,…,p,∈ij是观测误差,服从均值为0,未知方差的高斯分布N(0,σ2)。
在稀疏子空间模型中,获取的高维流系统数据的数据空间可以被分为多个低维数据子空间{S1,…,SL},其中L为子空间的个数,X1,…,Xp分别属于其中某一个低维数据子空间;同一个子空间中的不同变量的时间序列之间具有强相关性,不同子空间中的不同变量的时间序列之间不具有相关性;在低维数据子空间中,每一个变量的时间序列都是多个未知基序列 的线性组合,若/>其中Φl代表子空间Sl的基序列,dl为子空间Sl基序列的个数,φlq为子空间Sl中第q个基序列,/>为基序列的组合系数;当子空间中的变量个数高于基序列的个数,根据线性代数的性质,同一个子空间的变量的时间序列之间可以互相线性表出,若/>其中βij为线性表出的组合系数。因此,将线性表出拓展到整个数据空间,在稀疏子空间线性模型中,高维流数据的所有变量可以互相线性表出,表出系数是稀疏的,Xi=∑j≠iXjβij,若Xi与Xj属于不同子空间,则βij=0。
根据上述的稀疏子空间模型,我们有X=XB,其中,X代表高维流数据变量的真实值;B代表一个稀疏的线性表出系数矩阵,其中,元素βii=0,若Xi与Xj属于不同子空间,则βij=0。
2)根据稀疏子空间线性模型构建变点检测优化模型,用于检测高维流系统的相关性结构变点;
根据稀疏子空间线性模型,本发明构建了一个变点检测优化模型,以检测线性表出系数矩阵B何时出现了变化、如何变化。在高维流系统中,矩阵B变化即意味着子空间的结构发生变化。变点检测优化模型表示如下:
其中,C是变点总个数,τ1,…,τC分别是各个变点的具体位置,因此流数据被划分为C+1个时间段,B(c)代表第c个时间段对应的线性表出系数矩阵,元素为λ1,λ2是优化模型的两个参数,分别对系数矩阵B的稀疏性和变点个数进行限制。λ1越大,优化得到的B的稀疏性越高;λ2越大,检测得到的变点数量越少,检测延迟也越长。p为系统数据的维度个数,Yit是系统在t时刻下第i个变量的观测数据。在进行在线检测之前,本发明必须首先进行λ1,λ2的参数选择。
3)变点检测优化模型中的参数选择:基于高维流系统历史数据,通过最大化AMDL(Approximate Minimum Description Length)准则,利用二维网格搜索,搜索出最优的模型参数。
基于AMDL准则,本发明提出通过最大化以下的目标函数来选择参数λ1,λ2:
其中,是回归的平均残差,/>是模型的自由度,具体来说,就是B(c),c=1,…,C+1中的非零元素个数和。
本发明利用历史数据,通过二维网格搜索技术,进行λ1,λ2的最优值搜索。首先,基于历史数据,通过LASSO回归(带有融合LASSO惩罚项的稀疏回归),找到无变点情况下,使得B完全稀疏的最小的λ1值,记为固定λ1,通过运行在线检测算法,找到使得变点个数为0的最小的λ2值,记为/>在/>上进行二维网格搜索,以最大化AMDL(λ1,λ2)。
4)变点在线检测:通过在每个时间点求最优解来实现在线检测,每当系统产生一个新的观测数据,利用系统的历史计算信息和PELT(Pruned Exact Linear Time)算法,找到当前时刻下,最近的变点位置(最近邻变点位置)。包括如下步骤:
40)在系统产生观测数据前,对算法需要存储的历史计算信息进行初始化,F(0)=-λ2,cp(0)=NULL,R(1)={0},其中F(t)为t时刻下最优的目标函数值,为了方便计算,设定0时刻下最优的目标函数值为-λ2;cp(t)为t时刻下最优的变点位置;R(t)为t时刻下最近邻变点可能的备选集。
41)当系统产生一个新的观测数据,将该时间点的结构变点最优解表示为式1表示的目标函数;
将式1转化为:
其中,
是通过带有融合LASSO惩罚项的稀疏回归方法(LASSO算法)求解以下优化问题的最优解;
42)通过PELT算法迭代求解目标函数,得到某时刻目标函数的最优值,即获得该时刻的最近邻变点位置;
可以通过PELT算法迭代求解,该算法试图在每个时间点找到该时间点的最近邻变点位置。设在n时刻目标函数最优值为F(n),表示为:
其中,τn为n时刻下,所有可能的变点个数、变点位置情况的集合,τ代表集合中的一种情况;t代表该时间点的最近邻变点位置。当系统在n时刻产生新的观测数据,利用之前的历史计算信息F(t),t<n,只需要对t进行优化,即可求得n时刻目标函数最优值F(n)。
在对t进行优化的过程中,PELT算法通过一个判断算法,减少了最近邻变点的备选点个数,从而进一步降低了计算成本。具体来说,优化算法由 变为/>其中R(t)为有可能成为t时刻最近邻变点的时间点集合。
本发明依据PELT算法理论来进行R(t)的计算和更新,
R(n+1)={τ|τ∈R(n)∪{n},F(τ)+Cost(Yτ+1:n)+K<F(n)},
其中,K是另一个模型参数,无特殊情况下选择K=0。
43)在获得当前时刻的最近邻变点位置后,通过不断查询变点的最近邻变点位置,便可以得到当前时刻之前的所有的变点位置。
通过上述步骤,即实现基于动态稀疏子空间的高维流系统的结构变点在线检测。
与现有技术相比,本发明的有益效果是:
本发明提供的基于动态稀疏子空间的高维流系统结构变点在线检测技术方案,首创性地实现了高维流数据系统的结构变点的在线检测,降低了检测的时间成本,获得了优良的检测精度,为实时检测系统异常提供了一种新的手段,可广泛应用于高维流系统状态、系统异常的实时检测。
附图说明
图1为本发明提供方法的参数选择流程框图。
图2为本发明提供的在线检测方法的流程框图。
图3为本发明的人体姿态高维流数据实施例中传感器位置布局与姿态示意图;
其中,(a)为传感器位置布局图,(b)、(c)分别展示射击姿态和抛掷姿态的多个时刻下的人体姿态。
图4为本发明人体姿态数据实施例中进行变点检测的结果示意图。
图5为本发明人体姿态数据实施例中计算时间示意图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种新的基于稀疏子空间模型的方法,可以在线检测高维流系统的相关性结构变点。本发明具体分为两个步骤,首先通过历史数据,进行参数选择;然后进行变点的在线检测。图1为本发明的参数选择流程示意图;图2为本发明的在线检测流程示意图。
本发明提供的基于动态稀疏子空间的高维流系统结构变点在线检测方法包括如下步骤:
1)构建稀疏子空间模型,用于表示高维流系统数据;
将高维流系统数据的数据空间分为多个低维数据子空间;同一个子空间中的变量之间具有强相关性,不同子空间中的变量之间不具有相关性;在低维数据子空间中,每一个变量的时间序列都是多个基序列的线性组合;当变量个数高于基序列的个数,同一个子空间的变量之间可以互相线性表出。稀疏子空间线性模型中,高维流数据的所有变量可以互相线性表出,表出系数是稀疏的。
假设高维流数据Y共有p个变量,Y=[Y1,…,Yp],每个变量有N个观测样本数据Yi=[Yi1,…,YiN],i=1,…,p。观测存在一定观测误差,Yij=Xij+∈ij,i=1,…,p,j=1,…,N,其中,Xij是观测数据对应的真实数值,∈ij是观测误差,服从均值为0,未知方差的高斯分布N(0,σ2)。
根据上述的稀疏子空间模型,我们有X=XB,其中,X代表高维流数据变量的真实值;B代表一个稀疏的线性表出系数矩阵,其中,元素βii=0,若Xi与Xj属于不同子空间,则βij=0。
2)根据稀疏子空间线性模型构建变点检测优化模型,用于检测高维流系统的相关性结构变点;
根据稀疏子空间线性模型,本发明构建了一个变点检测优化模型,以检测线性表出系数矩阵B何时出现了变化、如何变化。变点检测优化模型表示如下:
其中,C是变点总个数,τ1,…,τC分别是各个变点的具体位置,因此流数据被划分为C+1个时间段,B(c)代表第c个时间段对应的线性表出系数矩阵,元素为λ1,λ2是优化模型的两个参数,分别对系数矩阵B的稀疏性和变点个数进行限制。λ1越大,优化得到的B的稀疏性越高;λ2越大,检测得到的变点数量越少,检测延迟也越长。在进行在线检测之前,本发明必须首先进行λ1,λ2的参数选择。
3)变点检测优化模型中的参数选择:基于高维流系统历史数据,通过最大化AMDL(Approximate Minimum Description Length)准则,利用二维网格搜索,搜索出最优的模型参数。
基于AMDL准则,本发明提出通过最大化以下的目标函数来选择参数λ1,λ2:
其中,是回归的平均残差,/>是模型的自由度,具体来说,就是B(c),c=1,…,C+1中的非零元素个数和。
本发明利用历史数据,通过二维网格搜索技术,进行λ1,λ2的最优值搜索。首先,基于历史数据,通过LASSO回归(带有融合LASSO惩罚项的稀疏回归),找到无变点情况下,使得B完全稀疏的最小的λ1值,记为固定λ1,通过运行在线检测算法,找到使得变点个数为0的最小的λ2值,记为/>在/>上进行二维网格搜索,以最大化AMDL(λ1,λ2)。
4)变点在线检测:每当一个新的观测数据产生,利用历史计算信息和PELT(PrunedExact Linear Time)算法,找到当前时刻下,最近的变点位置。包括如下步骤:
40)在系统产生观测数据前,对算法需要存储的历史计算信息进行初始化,F(0)=-λ2,cp(0)=NULL,R(1)={0}。
41)当系统产生一个新的观测数据,将该时间点的结构变点最优解表示为如下的目标函数:
式中,p为系统数据的维度个数,Yit是系统在t时刻下第i个变量的观测数据。C是变点总个数,τ1,…,τC分别是各个变点的具体位置,B(c)代表第c个时间段对应的线性表出系数矩阵,元素为λ1,λ2是优化模型的两个参数,分别对系数矩阵B的稀疏性和变点个数进行限制。
将上式转化为:
其中,
是通过带有融合LASSO惩罚项的稀疏回归方法(LASSO算法)求解以下优化问题的最优解;
42)通过PELT算法迭代求解目标函数,得到某时刻目标函数的最优值,即获得该时刻的最近邻变点位置;
可以通过PELT算法迭代求解,该算法试图在每个时间点找到该时间点的最近邻变点位置。设在n时刻目标函数最优值为F(n),表示为:
其中,τn为n时刻下,所有可能的变点个数、变点位置情况的集合,τ代表集合中的一种情况;t代表该时间点的最近邻变点位置。当系统在n时刻产生新的观测数据,利用之前的历史计算信息F(t),t<n,只需要对t进行优化,即可求得n时刻目标函数最优值F(n)。
在对t进行优化的过程中,PELT算法通过一个判断算法,减少了最近邻变点的备选点个数,从而进一步降低了计算成本。具体来说,优化算法由 变为/>其中R(t)为有可能成为t时刻最近邻变点的时间点集合。
本发明依据PELT算法理论来进行R(t)的计算和更新,
R(n+1)={τ|τ∈R(n)∪{n},F(τ)+Cost(Yτ+1:n)+K<F(n)},
其中,K是另一个模型参数,无特殊情况下选择K=0。
43)在获得当前时刻的最近邻变点位置后,通过不断查询变点的最近邻变点位置,便可以得到当前时刻之前的所有的变点位置。
以下详细叙述将本发明提供的模型方法应用人体姿态监测数据的实施方式。
在人体姿态监测数据实施例中,本发明可以动态检测人体动作的变化。在本实施例中,人体姿态监测数据为微软公开的MSRC-12数据集,数据通过20个人体关节位置传感器记录得到,每个传感器返回3个该传感器的三维坐标,因此数据维度为60维,传感器在人体上的布局如图3(a)所示。图3(b)、3(c)展示了某个观测个体的两个动作:射击和抛掷,该观测个体重复射击、抛掷两个动作两次,本实施例的目标在于,正确检测三个动作的转换时刻。具体实施方式如下:
(0)变量筛选和数据预处理:
将每个传感器的三维坐标整合为一个距离变量该数据预处理过程减少了数据维度,丰富了变量的物理意义,每个变量代表一个传感器或一个人体关节。
(1)通过历史数据,进行参数选择:
在本实施例中,历史数据为其他观测个体在相同姿态下的人体姿态监测数据。通过最大化AMDL(Approximate Minimum Description Length)准则,利用二维网格搜索,搜索出最优的模型参数。
在本实施例中,最终选取1=0.0004,2=0.27作为模型参数。
(2)对目标观测个体的观测数据进行相关性结构变点在线检测:
每当一个新的观测数据产生,利用历史计算信息和PELT(Pruned Exact LinearTime)算法,找到当前时刻下,最近的变点位置。在获得当前时刻的最近邻变点位置后,通过不断查询变点的最近邻变点位置,便可以得到当前时刻之前的所有的变点位置。
在本实施例中,选取=0为模型参数。
图4展示了在线检测结果,动作变化发生后5个时刻内就可以及时检测到该变点。图5显示,通过减少最近邻变点的备选点个数,每个时刻计算时间小于0.15秒,可以实时在线检测变点。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (6)
1.一种基于动态稀疏子空间的高维流系统结构变点在线检测方法,所述高维流系统包括人体姿态动作系统、脑电波流系统和生产机器系统;针对高维流系统中传感器获取的高维流数据进行在线检测,得到高维流系统的结构变点;包括如下步骤:
1)构建稀疏子空间模型,用于表示高维流系统的数据;
将获取的高维流系统数据的数据空间分为多个低维数据子空间;同一个子空间中的变量之间具有强相关性,不同子空间中的变量之间不具有相关性;在低维数据子空间中,每一个变量的时间序列都是多个未知基序列的线性组合;当子空间中的变量个数高于基序列的个数,同一个子空间的变量的时间序列之间可互相线性表出;稀疏子空间线性模型中,高维流数据的所有变量互相线性表出,表出系数是稀疏的;
设高维流系统的数据Y共有p个变量,Y=[Y1,...,Yp],每个变量有N个观测样本数据Yi=[Yi1,...,YiN],i=1,...,p;Yij=Xij+∈ij,i=1,…,p,j=1,…,N,其中,Xij是观测数据对应的真实数值,∈ij是观测误差,服从均值为0,未知方差的高斯分布N(0,σ2);有X=XB,其中,X代表高维流数据变量的真实值;B代表一个稀疏的线性表出系数矩阵,元素βii=0,若Xi与Xj属于不同子空间,则βij=0;
2)根据稀疏子空间线性模型构建变点检测优化模型,用于检测高维流系统的结构变点;
变点检测优化模型表示为式1:
其中,C是结构变点总个数,流数据被划分为C+1个时间段,τ1,...,τC分别是各个结构变点的具体位置;B(c)代表第c个时间段对应的线性表出系数矩阵,元素为λ1,λ2是分别对系数矩阵B的稀疏性和变点个数进行限制的优化模型的参数,λ1越大,优化得到的B的稀疏性越高;λ2越大,检测得到的变点数量越少,检测延迟越长;p为系统数据的维度个数;Yit是系统在t时刻下第i个变量的观测数据;
3)变点检测优化模型中的参数选择:基于高维流系统历史数据,通过最大化AMDL准则,利用二维网格搜索得到最优的模型参数;
31)通过最大化以下的目标函数来选择参数λ1,λ2:
其中,是回归的平均残差;/>是模型的自由度,即B(c),c=1,...,C+1中的非零元素个数和;
32)通过二维网格搜索技术,进行λ1,λ2的最优值搜索:
首先,基于历史数据,通过LASSO回归找到无变点情况下,使得B完全稀疏的最小的λ1值,记为
固定λ1,通过在线检测算法找到使得变点个数为0的最小的λ2值,记为
在上进行二维网格搜索,以最大化AMDL(λ1,λ2);
4)变点在线检测:通过在每个时间点求最优解来实现在线检测;
在系统产生观测数据前,对历史计算信息进行初始化,F(0)=-λ2,cp(0)=NULL,R(1)={0},其中F(t)为t时刻下最优的目标函数值;设定0时刻下最优的目标函数值为-λ2;cp(t)为t时刻下最优的变点位置;R(t)为t时刻下最近邻变点可能的备选集;每当系统产生一个新的观测数据,利用系统的历史计算信息和PELT算法,找到当前时刻下的最近邻变点位置;包括如下步骤:
41)当系统产生一个新的观测数据,将该时间点的结构变点最优解表示为式1表示的目标函数,并转化为:
其中,
式中,是通过LASSO算法求解以下式子得到的最优解:
42)通过PELT算法迭代求解目标函数,得到某时刻目标函数的最优值,即获得该时刻的最近邻变点位置;
设在n时刻目标函数最优值为F(n),表示为:
其中,τn为n时刻下,所有可能的变点个数、变点位置情况的集合;τ代表集合中的一种情况;t代表该时间点的最近邻变点位置;当系统在n时刻产生新的观测数据,利用历史数据计算信息F(t),t<n,只需要对t进行优化,即可求得n时刻目标函数最优值F(n);
43)在获得当前时刻的最近邻变点位置后,通过不断查询变点的最近邻变点位置,即可得到当前时刻之前的所有的变点位置;
通过上述步骤,即实现基于动态稀疏子空间的高维流系统的结构变点在线检测。
2.如权利要求1所述的高维流系统结构变点在线检测方法,其特征是,步骤42)在对t进行优化的过程中,通过判断算法减少最近邻变点的备选点个数,从而进一步降低了计算成本。
3.如权利要求2所述的高维流系统结构变点在线检测方法,其特征是,具体将优化算法由变换为/>其中R(t)为有可能成为t时刻最近邻变点的时间点集合;再进行R(t)的计算和更新:
R(n+1)={τ|τ∈R(n)∪{n},F(τ)+Cost(Yτ+1:n)+K<F(n)},
其中,K是模型参数。
4.如权利要求1所述的高维流系统结构变点在线检测方法,其特征是,所述高维流系统包括人体动作系统,所述高维流系统结构变点在线检测方法用于动态检测人体动作的变化。
5.如权利要求4所述的高维流系统结构变点在线检测方法,其特征是,高维流数据采用通过20个人体关节位置传感器记录得到的MSRC-12人体姿态监测数据集;每个传感器返回3个三维坐标,数据维度为60维;将每个传感器的三维坐标整合为一个距离变量 每个变量代表一个传感器或一个人体关节。
6.如权利要求5所述的高维流系统结构变点在线检测方法,其特征是,最优模型参数取值为λ1=0.0004,λ2=0.27。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006561.2A CN112836582B (zh) | 2021-01-05 | 2021-01-05 | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006561.2A CN112836582B (zh) | 2021-01-05 | 2021-01-05 | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836582A CN112836582A (zh) | 2021-05-25 |
CN112836582B true CN112836582B (zh) | 2023-09-26 |
Family
ID=75927637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110006561.2A Active CN112836582B (zh) | 2021-01-05 | 2021-01-05 | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836582B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705618B (zh) * | 2021-08-02 | 2024-05-24 | 西安交通大学 | 基于子空间降维的高维数据多变点检测方法、系统、设备及介质 |
CN115994490B (zh) * | 2023-03-22 | 2023-06-02 | 北京大学 | 基于深度混合效应模型的金属增材制造过程实时监控方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485750A (zh) * | 2016-09-13 | 2017-03-08 | 电子科技大学 | 一种基于监督局部子空间的人体姿态估计方法 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN111401471A (zh) * | 2020-04-08 | 2020-07-10 | 中国人民解放军国防科技大学 | 一种航天器姿态异常检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018027584A1 (zh) * | 2016-08-09 | 2018-02-15 | 深圳大学 | 一种目标属性辅助的压缩感知图像恢复方法及其系统 |
-
2021
- 2021-01-05 CN CN202110006561.2A patent/CN112836582B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485750A (zh) * | 2016-09-13 | 2017-03-08 | 电子科技大学 | 一种基于监督局部子空间的人体姿态估计方法 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN111401471A (zh) * | 2020-04-08 | 2020-07-10 | 中国人民解放军国防科技大学 | 一种航天器姿态异常检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
高维图像数据分类方法研究;王辉兵;万方学位论文库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836582A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clavera et al. | Model-augmented actor-critic: Backpropagating through paths | |
CN112836582B (zh) | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 | |
CN111127523B (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
JP5733530B2 (ja) | データ類似度算出方法およびデータ類似度算出装置 | |
CN110596693A (zh) | 一种迭代更新的多传感器gmphd自适应融合方法 | |
CN112115419A (zh) | 系统状态估计方法、系统状态估计装置 | |
CN112541944A (zh) | 基于条件变分编码器的概率孪生目标跟踪方法及系统 | |
CN111881413B (zh) | 基于矩阵分解的多源时间序列缺失数据恢复方法 | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
Wnuk et al. | Tracking branched deformable linear objects with structure preserved registration by branch-wise probability modification | |
CN117170294B (zh) | 基于空间热环境预测的卫星热控系统的智能控制方法 | |
CN111504327B (zh) | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 | |
Yoon et al. | Landmark design and real-time landmark tracking for mobile robot localization | |
CN115830707A (zh) | 一种基于超图学习的多视角人体行为识别方法 | |
Shebanin et al. | Simulation of vector random sequences based on polynomial degree canonical decomposition | |
Yang et al. | Estimating the fundamental matrix based on least absolute deviation | |
Frey et al. | Complexity analysis and efficient measurement selection primitives for high-rate graph SLAM | |
Dudczyk et al. | Data fusion in the decision-making process based on artificial neural networks | |
Wu et al. | Convolutional neural networks for multi-stage semiconductor processes | |
JP5675273B2 (ja) | 目標検出装置および目標検出方法 | |
Macagnano et al. | Tracking multiple dynamic targets with multidimensional scaling | |
Lin et al. | Visual tracking with sensing dynamics compensation using the Expectation-Maximization algorithm | |
Zalama et al. | Concurrent mapping and localization for mobile robots with segmented local maps | |
Van Tung Tran et al. | A classification and regression trees (CART) model of parallel structure and long-term prediction prognosis of machine condition |
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 |