[发明专利]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

说明书

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。

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；