[发明专利]基于深度学习的无线传感器高维数据实时异常检测方法

说明书

本发明公开了一种基于深度学习的无线传感器高维数据异常检测方法，包括以下步骤：（101）、获取历史数据；（102）、建立DBN‑QSSVM混合模型；（103）、利用传感器历史数据对混合模型进行训练；（104）、采集待检测的传感器测试数据；（105）、利用（103）中训练好的DBN‑QSSVM混合模型对传感器测试数据进行异常检测；（106）、输出传感器测试数据中的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在处理高维度数据时，实现在线检测技术的方法，可以在不降低数据异常检测方法准确性的情况下，大大降低该方法的空间和时间复杂度，从而更加适用于大规模高维数据异常检测。

技术领域

本发明涉及无线传感器异常数据检测方法领域，具体是一种基于深度学习的无线传感器高维数据实时异常检测方法。

背景技术

随着传感器技术的迅速发展，无线传感器网络被越来越多地应用到工业、农业、医疗、卫生等行业中。其中，将传感器节点散布在目标区域内，通过无线传感器节点采集目标区域内的环境参数(温度，湿度，CO₂浓度等)，可以实时监控散布区域的内部环境变化情况。为了能够及时准确地发现自然环境中的突发事件以及监测传感器网络的健康状况，提高无线传感器网络的可靠性，那么对传感器采集到的数据进行异常检测就显得尤为重要。

异常检测技术是避免无线传感器网络发生异常的有效手段之一，无线传感器网络异常检测的关键是检测传感器收集的数据中的异常。异常数据是指与数据集中大多数数据不同的一小部分数据，或者不遵循与数据集中其他大多数数据相同统计模型的小部分数据。实现对数据的异常检测可以看成是消除不符合预期的行为的一个方法。目前，数据异常检测的方法可分为四种：基于统计的异常检测方法；基于最近邻居的异常检测方法；基于簇的异常检测方法；基于分类的异常检测方法。

基于统计的异常检测方法，是通过原有数据估计一个统计(概率分布)模型来检测异常，该模型能够捕捉数据的分布，并评估数据实例与模型的匹配程度，如果通过该模型生成的数据实例的概率非常低，则该数据实例被定义为异常。利用统计学方法对数据做异常检测是标准统计学方法的一种有效应用。该方法的优点是，当数据和检验类型内容足够时，此检测方法会非常有效；缺点是，这种方法主要仅适用于单个属性的数据，不适用于多维属性数据。

基于最近邻的异常检测方法，是最早提出的传感器故障检测和数据异常分析方法。这类方法需要传感器收集所有邻居采集到的数据，并与自己的数据做比较。若自身的数据和邻居传感器收集的数据相差超过预定义的阈值，则将其判别为异常数据。该方法的优点是使用距离来测量数据对象之间的相近度，该方法更简单，更易于使用；缺点是对大规模高维数据的处理效率明显下降，因为数据集规模的变大会导致算法的时间复杂度呈指数级增长。

基于簇的方法，是将具有相似行为的数据实例分组到同一个簇中，并将不能分组到任何一个簇中的数据实例定义为异常。其中，簇头是根据事先的定义的估选出来的，普通节点会选择最近的簇头节点发送检测数据。然而，如果簇头是通过随机选择的方式产生，那么这通常会导致较差的分簇结果，使得一些节点传输距离变长，从而加速了能量消耗并大大缩短了节点的生存时间。基于簇的方法的主要优点是在找到异常值时也获得了数据对象的分布情况，使得检测结果更加直观和清晰；缺点是不同类型的数据集对该种方法的结果具有显著的影响，说明基于簇的方法通用性差。