[發(fā)明專利]基于歸納式一致性異常檢測的異常行為實(shí)時(shí)檢測方法

有效

• 申請?zhí)枺?/td>: 201710726270.4
• 申請日: 2017-08-22
• 公開（公告）號(hào): CN107480647B
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 潘新龍;王海鵬;何友;周強(qiáng)
• 申請（專利權(quán)）人: 中國人民解放軍海軍航空大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于歸納式一致性異常檢測的異常行為實(shí)時(shí)檢測方法。該方法既能充分考慮目標(biāo)的位置、速度和運(yùn)動(dòng)方向信息，又采用了歸納式一致性異常檢測的思想，可以在大大減小計(jì)算量的情況下實(shí)現(xiàn)對目標(biāo)異常行為的實(shí)時(shí)檢測，具體包括以下步驟1，定義相關(guān)變量；步驟2，初始化；步驟3，對測試航跡中的每個(gè)子航跡進(jìn)行實(shí)時(shí)異常檢測；步驟4，當(dāng)前測試航跡中的每個(gè)子航跡都異常檢測完成后，更新訓(xùn)練航跡數(shù)據(jù)集；步驟5，對多因素定向Hausdorff距離矩陣進(jìn)行更新；步驟6，對下一個(gè)測試航跡進(jìn)行實(shí)時(shí)異常檢測。該方法具有參數(shù)設(shè)置簡單、準(zhǔn)確率高、能夠?qū)崟r(shí)檢測的優(yōu)點(diǎn)，而且工程易實(shí)現(xiàn)，在預(yù)警監(jiān)視領(lǐng)域有廣闊的應(yīng)用前景。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘中的異常檢測技術(shù)和信息融合中的高層融合技術(shù)，屬于模式識(shí)別和智能情報(bào)處理領(lǐng)域。

背景技術(shù)

隨著信息融合理論的不斷完善和信息融合技術(shù)的廣泛應(yīng)用，情報(bào)處理系統(tǒng)經(jīng)過檢測級(jí)、位置級(jí)和屬性級(jí)融合過程，可以自動(dòng)或半自動(dòng)的完成對目標(biāo)的檢測、跟蹤、航跡關(guān)聯(lián)、屬性判決，形成連續(xù)穩(wěn)定的目標(biāo)航跡。隨著目標(biāo)種類、數(shù)量的不斷增多和預(yù)警監(jiān)視系統(tǒng)性能的不斷提升，越來越多的目標(biāo)情報(bào)數(shù)據(jù)形成并存在于各種預(yù)警監(jiān)視系統(tǒng)中。如何讓計(jì)算機(jī)自動(dòng)的發(fā)現(xiàn)目標(biāo)的異常行為是智能情報(bào)處理中一項(xiàng)非常重要的研究內(nèi)容。國內(nèi)外很多學(xué)者對目標(biāo)的實(shí)時(shí)異常檢測問題進(jìn)行了大量的研究，主要方法分為學(xué)習(xí)階段和異常檢測階段兩步進(jìn)行。學(xué)習(xí)階段有基于統(tǒng)計(jì)模型的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于聚類的方法等，異常檢測階段有基于統(tǒng)計(jì)檢驗(yàn)的方法、基于距離的方法等。但是這些方法普遍存在參數(shù)設(shè)置復(fù)雜、統(tǒng)計(jì)模型不夠準(zhǔn)確，虛警率不能有效控制、在線學(xué)習(xí)效果較差等問題?；诙嘁蛩夭灰恢露攘康漠惓Ｐ袨樾蜇灆z測方法能夠充分利用目標(biāo)的位置、速度和運(yùn)動(dòng)方向信息，通過在線學(xué)習(xí)和序貫異常檢測的方式，實(shí)現(xiàn)對目標(biāo)異常行為的實(shí)時(shí)異常檢測，但是在每次異常檢測時(shí)都需要將所有的歷史航跡數(shù)據(jù)進(jìn)行重新計(jì)算，存在計(jì)算量大的問題。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于歸納式一致性異常檢測的異常行為實(shí)時(shí)檢測方法，既能充分考慮目標(biāo)的位置、速度和運(yùn)動(dòng)方向信息，又采用了歸納式一致性異常檢測的思想，可以在大大減小計(jì)算量的情況下實(shí)現(xiàn)對目標(biāo)異常行為的實(shí)時(shí)檢測。具體包括以下步驟：

步驟1，定義相關(guān)變量：

1)異常閾值ε；

2)需要考慮的近鄰數(shù)量k；

3)訓(xùn)練航跡數(shù)據(jù)集{TR₁,…,TR_l}，其中，壓縮航跡數(shù)集為{TR₁,…,TR_r}，檢驗(yàn)航跡數(shù)據(jù)集為{TR_r+1,…,TR_l}；

4)多因素定向Hausdorff距離矩陣M，矩陣的每個(gè)元素M_i,j:i＝1,…,l-r,j＝1,…,k表示檢驗(yàn)航跡數(shù)據(jù)集中的航跡TR_i:i＝r+1,…,l到壓縮航跡數(shù)據(jù)集{TR₁,…,TR_r}第j近的航跡之間的多因素定向Hausdorff距離；

5)空的優(yōu)先序列Q；

6)測試航跡TR_l+1中不斷更新的航跡點(diǎn)x₁,…,x_L。

7)異常指示變量其中j＝1,…,L-1對應(yīng)子航跡計(jì)算得出的類別，對應(yīng)航跡{x₁∪x₂∪…∪x_L}＝TR_l+1計(jì)算得出的類別；

步驟2，初始化：對當(dāng)前測試子航跡到壓縮航跡數(shù)據(jù)集中

TR_g:g＝1,…,r的多因素定向Hausdorff距離m_g:g＝1,…,r賦零初值，并計(jì)算多因素定向Hausdorff距離矩陣M_i,1,…,M_i,k的和，定義為