[發明專利]一種基于混合隱樸素貝葉斯模型的異常檢測方法

有效

• 申請號: 202010164039.2
• 申請日: 2020-03-11
• 公開（公告）號: CN111414943B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 周東華;陳茂銀;王敏;徐曉濱;紀洪泉;高明
• 申請（專利權）人: 山東科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 種艷麗

1.一種基于混合隱樸素貝葉斯模型的異常檢測方法，其特征在于：包括如下步驟：

步驟1：變量選擇，具體包括如下步驟：

步驟1.1：對于n次采樣的歷史數據集其中i表示采樣時間，X為歷史數據，y為對應的標簽，x_i為X第i時刻的值，y_i為y第i時刻的值，y_i∈{1,2,...,K}，K為X的總類別數，x_i包含p維特征，表示維度，將x根據連續變量和二值變量的特征劃分為x_c和x_b；x為x_i的實際取值，連續變量集x_c包含p₁個特征，二值變量集x_b包含p₂個特征；

步驟1.2：當x_j∈x_c時假設

其中，x_j為x_c的第j個特征，k為i時刻采樣數據x_i所對應的工況類別標簽，P_c(x_j|y_i＝k)為連續變量的條件概率密度函數，μ_kj為第j個變量在k標簽下的均值，σ_kj為第j個變量在k標簽下的標準差；

當x_j∈x_b時假設

其中，x_j為x_b的第j個特征，P_b(x_j|y_i＝k)為二值變量的條件概率，θ_kj為第j個變量在k標簽下的響應函數；

步驟1.3：通過公式(3)和(4)對連續變量參數進行估計：

其中，π_ik＝1{y_i＝k}，x_ij為x_i的第j個分量；為標簽k下第j個變量的均值的估計值，x_ij為i時刻第j個變量的值，為標簽k下第j個變量的標準差的估計值；

步驟1.4：通過公式(5)和(6)對二值變量的先驗概率和響應概率進行估計：

步驟1.5：假設對1≤k≤c-1按公式(7)進行處理：

其中，π_ik＝1{y_i＝k}，c為標簽值，為先驗概率的雙截斷估計，n為采樣總數；當k＝c時，

同理假設對1≤k≤c-1按公式(9)進行處理：

θ_cj為標簽c下第j個變量的響應函數，為θ_cj的雙截斷估計值；

當k＝c時，

其中，ξ為大于零的小正數；

步驟1.6：根據公式(11)，計算每一個二值變量的響應概率

步驟1.7：根據公式(12)，計算每一個二值變量的指標值

步驟1.8：根據公式(13)，計算每一個連續變量的不同兩工況之間的KL散度D_KL：

步驟1.9：根據和D_KL的大小，按降序對連續變量和二值變量分別進行排序，分別取前d個變量進行后續離線建模和在線檢測；

步驟2：離線建模，具體包括如下步驟：

步驟2.1：當x_j,x_j′∈x_b，根據公式(14)，計算條件互信息：

其中，P(y)為先驗概率，P(x_j,x_j′|y),P(x_j,x_j′|y),P(x_j|y),P(x_j′|y)為條件概率；

CMI(x_j,x_j′|y)為已知y的情況下x_j和x_j′的條件互信息；

步驟2.2：當x_j,x_j′∈x_c，根據公式(15)，計算條件互信息：

其中，P(y)為先驗概率，P(x_j,x_j′|y),P(x_j,x_j′|y),P(x_j|y),P(x_j′|y)為條件概率密度函數；

CMI(x_j,x_j′|y)為已知y的情況下x_j和x_j′的條件互信息；

步驟2.3：當x_j∈x_b,x_j′∈x_c，根據公式(16)，計算條件互信息：

其中，P(y)為先驗概率，P(x_j,x_j′|y),P(x_j,x_j′|y),P(x_j|y),P(x_j′|y)為條件概率密度函數；

步驟2.4：根據公式(17)，計算權值系數w_j′j，并對權值系數進行歸一化處理；

步驟2.5：根據歷史數據計算條件概率P(x_j|x_j′,y_i＝k)；

步驟2.6：根據公式(18)，計算考慮了變量之間相關性的條件概率P′(x_j|y_i＝k)：

步驟3：在線故障檢測，具體包括如下步驟：

步驟3.1：根據公式(19)，計算采樣數據隸屬于各個標簽的概率：

步驟3.2：取各個標簽概率中概率最大的標簽作為采樣數據的預測標簽；

若：預測標簽與正常數據標簽相同，則認定為正常，預測標簽與故障數據標簽一致，否則認為發生故障。