[发明专利]基于多因素不一致度量的异常行为序贯检测方法

摘要

本发明公开了一种基于多因素不一致度量的异常行为序贯检测方法。该方法充分考虑目标的位置、速度和运动方向信息，通过在线学习和序贯异常检测的方式，实现对目标异常行为的实时异常检测，具体包括以下步骤：一、定义输入、输出变量；二、初始化；三、对测试样本中的每个数据点和训练样本序列中的每个样本重复进行相应的异常检测；四、当前测试样本的每个数据点都异常检测完成后，更新训练样本序列；五、对多因素Hausdorff距离矩阵进行更新；六、更新后的训练样本序列和更新后的多因素Hausdorff距离矩阵作为新的输入变量，对下一个测试样本进行异常检测。该方法参数设置简单，虚警率可控，异常检测准确率高，工程易实现，在预警监视领域有广阔的应用前景。

主权项

一种基于多因素不一致度量的异常行为序贯检测方法，其特征在于，包括以下步骤：步骤一，定义输入、输出变量；输入变量：1)异常阈值ε；2)需要考虑的近邻数量k；3)训练样本序列(z₁,...,z_l)，其中4)多因素Hausdorff距离矩阵M，其中矩阵的每个元素M_i,j:i＝1,...,l,j＝1,...,k表示z_i到样本序列(z₁,...,z_i‑1,z_i+1,...,z_l)第j近的样本之间的多因素Hausdorff距离；5)空的优先序列Q；6)测试样本z_l+1＝{x₁∪x₂∪…∪x_L}，其中x_i∩x_j＝φ:i,j＝1,...,L∧j≠i；输出变量：1)异常指示变量其中对应子集计算得出的类别，对应{x₁∪x₂∪…∪x_L}＝z_l+1计算得出的类别；2)距离向量(m₁,...,m_l)，其中m_i:i＝1,...,l表示z_l+1到z_i的多因素Hausdorff距离：3)距离向量(m'₁,...,m'_l)，其中m'_i:i＝1,...,l表示z_i到z_l+1的多因素Hausdorff距离：步骤二，初始化：对距离m_i赋零初值，并计算多因素Hausdorff距离矩阵M_i,1,...,M_i,k‑1的和，定义为步骤三，对测试样本z_l+1＝{x₁∪x₂∪…∪x_L}中的x_j:j＝1,...,L和训练样本序列(z₁,...,z_l)中的z_i:i＝1,...,l重复进行如下异常检测过程：1)通过计算多因素Hausdorff距离对m_i的取值进行更新；2)对Q内的元素进行更新；3)通过计算多因素Hausdorff距离对m'_i的取值进行更新；4)根据距离m'_i与距离M_i,k的取值大小，对不一致度量α_i的取值进行更新；5)从Q中提取当前的k个距离值，并通过对这k个距离值的求和对不一致度量α_l+1的取值进行更新；6)计算p_l+1取值；7)进行阈值ε判别，对当前测试样本的异常情况进行检测更新；步骤四，当测试样本z_l+1的每个数据点x₁,x₂,…,x_L都异常检测完成后，输出异常指示变量和距离向量，将z_l+1添加到训练样本序列(z₁,...,z_l)中，将训练样本序列更新为(z₁,...,z_l+1)；步骤五，对多因素Hausdorff距离矩阵M进行更新；步骤六，更新后的训练样本序列(z₁,...,z_l+1)和更新后的多因素Hausdorff距离矩阵M作为新的输入变量，对测试样本z_l+2进行异常检测。