[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

摘要

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。

主权项

1.基于深度学习的无线传感器高维数据实时异常检测方法，其特征在于：包括以下步骤：(101)、获取某一连续时间段的传感器数据样本，作为历史数据X；(102)、构建DBN‑QSSVM混合模型，所述DBN‑QSSVM混合模型为深度信念网络DBN和四分之一球的支持向量机QSSVM组成的混合模型；(103)、将步骤(101)获取的历史数据输入至DBN‑QSSVM混合模型，以对DBN‑QSSVM混合模型进行训练，得到异常检测模型，其中：高维的历史数据X首先输入至深度信念网络DBN，以对深度信念网络DBN进行训练，得到训练好的模型参数；同时由深度信念网络DBN将高维的历史数据X进行降维处理，得到低维历史数据低维历史数据输入至支持向量机QSSVM，以对支持向量机QSSVM进行训练，得到支持向量机QSSVM的半径R，支持向量机QSSVM的半径R通过求解公式(1)得到：公式(1)中，Φ(·)为低维历史数据样本到支持向量机QSSVM中高维特征空间的映射函数，R为高维特征空间中超球面的半径即支持向量机QSSVM的半径，ξ_i是松弛变量，允许部分样本在球面之外，v∈(0,1)为在球面之外样本的比率，m是样本数量，是实数集；通过引入拉格朗日乘子α_i简化公式(1)，以将公式(1)转换为对偶形式，由此将半径R的求解转换为拉格朗日乘子α_i的求解，对偶形式的表达式如公式(2)所示：公式(2)中，为基于距离的核函数，为低维历史数据中第i个数据；设低维历史数据通过z‑transformation函数对低维历史数据进行处理，以将所有的低维历史数据集中到以原点为中心的位置，经z‑transformation函数处理后的低维历史数据如公式(3)所示：公式(3)中，μ是属性值的均值，σ是标准方差；采用输入变量的中值和中值绝对偏差MAD分别对应代替均值μ和标准差σ，以在输入空间建立QSSVM模型来代替在特征空间建模，进而避免异常值干扰，公式(2)中的的内积可表示为从而避免计算核函数，由此公式(2)可转换为公式(4)：公式(4)中，其中，表示第i个低维历史数据到原点的距离；将公式(4)中的用d_i'代替，然后对d_i'作降序排序，得到序列{d₁',d₂',d₃',...,d_m'}，其中，d₁'≥d₂'≥d₃'≥...≥d_m'，因此公式(4)的表述可以转换为公式(5)：则支持向量机QSSVM的半径R可由公式(6)获得：R²＝d_(j+1)'根据定理可知，支持向量机QSSVM的半径R为经快速排序法降序排序的数序列{d₁',d₂',d₃',...,d_m'}的第个元素值；最终，向DBN‑QSSVM混合模型加载深度信念网络DBN训练获得的模型参数，以及支持向量机QSSVM训练获得的支持向量机QSSVM的半径R，可将DBN‑QSSVM混合模型转换为异常检测模型；(104)、选取某一连续时间段待检测的传感器数据样本，作为待检测的传感器测试数据χ_test；(105)、将步骤(104)获取的待检测的传感器测试数据χ_test，输入至异常检测模型，通过异常检测模型对待检测的传感器测试数据χ_test进行异常检测处理；(106)、由异常检测模型输出待检测的传感器测试数据χ_test中的异常数据。