[发明专利]一种基于无监督学习的无线传感器异常数据检测方法

摘要

本发明公开了一种基于无监督学习的无线传感器异常数据检测方法，包括步骤：1、获取无线传感器节点连续采集的m个数据构成训练样本集；2、建立四分之一超球支持向量机模型，其球心位于高维空间坐标原点，最小支持半径为R；3、应用粒子群算法和训练样本集对四分之一超球支持向量机模型的参数进行优化，得到优化模型；4、获取无线传感器节点连续采集的m+1个数据T_q，计算T_m+1在优化模型的映射空间中到球心的距离d(T_m+1)，如果d(T_m+1)≤R，T_m+1为正常数据；如果d(T_m+1)＞R，用{T₁,T₂,..T_m}作为训练样本集重新训练模型并计算最小支持半径R_new，计算T_m+1在更新后模型的映射空间中到球心的距离d(T_m+1)_new，如果d(T_m+1)_new≤R_new，数据T_m+1为正常数据，否则T_m+1为异常数据。该方法采用无监督学习，无需对样本进行标注，且检测正确率较高。

主权项

1.一种基于无监督学习的无线传感器异常数据检测方法，其特征在于，包括步骤：(1)获取无线传感器节点连续采集的m个数据，构成训练样本集S，S＝{s_i|i＝1..m}；(2)建立四分之一超球支持向量机模型，所述四分之一超球支持向量机模型的球心位于高维空间坐标原点，最小支持半径为R，其所要求解的约束问题为：s.t.||φ(x)||²≤R²+ξ_iξ_i≥0其中R属于实数集ξ＝{ξ_i|i＝1..m}为松弛变量，ξ属于m维实数向量集其每一个元素ξ_i均为实数；u为惩罚参数，φ(x)为原始数据空间到高维空间的映射函数；其对偶形式为：其中a＝{a_i|i＝1..m}为拉格朗日乘子，a属于m维实数向量集k(x_i,x_i)为核函数，k(x_i,x_i)＝φ(x_i)·φ(x_i)＝||φ(x_i)||²，φ(x_i)·φ(x_i)是φ(x_i)的内积，采用高斯核函数k(x,z)＝exp(‑||x‑z||²/2σ²)；(3)应用粒子群算法和训练样本集对参数u和σ进行优化，得到优化后的四分之一超球支持向量机模型；计算出模型的最小支持半径R；(4)获取无线传感器节点连续采集的m+1个数据T_q，q＝1..m+1，数据T_m+1是否异常的检测步骤为：计算数据T_m+1在优化后的四分之一超球支持向量机模型的映射空间中到球心的距离d(T_m+1)，如果d(T_m+1)≤R，数据T_m+1为正常数据；如果d(T_m+1)＞R，用{T₁,T₂,..T_m}构成新的训练样本集T，按照步骤2‑3重新构建并训练四分之一超球支持向量机模型，得到更新后的最小支持半径R_new，重新计算数据T_m+1在更新后的四分之一超球支持向量机模型的映射空间中到球心的距离d(T_m+1)_new，如果d(T_m+1)_new≤R_new，数据T_m+1为正常数据，否则T_m+1为异常数据。