【技术实现步骤摘要】
【国外来华专利技术】用于对从系统取得的测量值进行评级的方法和系统本专利技术涉及用于对从可处于无错误或错误状态的系统S取得的测量值进行评级的方法和系统。该系统包括至少一个通信网络、通信系统的网络组件和/或通信网络的服务。在检测异常或非正常测量值(即所谓的异常值)的领域中,现有技术包括用于查找异常或非正常测量值的众多方法。查找非正常测量值被称为“异常值检测”或也被称为“异常检测”。例如,在[1]中,对异常值检测的使用被描述为数据挖掘领域中的主要步骤之一。在[1]中,特别注意被吸引到所使用的估计的稳健性,并且示出了基于距离测量的异常值检测、聚类方法以及空间方法的各种可能性。在[2]中,异常值检测的含义被讨论为各种应用领域以及科学领域的重要问题。首先,从现有技术中已知的各异常值检测方法在基本假设和要求方面存在不同。对于异常值检测,一些方法需要潜在分布及其参数,系统S借助这些潜在分布及其参数来生成经测量的值。此外,存在借助“局部异常值概率算法”(LoOP,[3])并结合“局部异常值因子算法”(LOF,[4])或相关的算法来计算概率值的方法。此外,[5]公开了一种用于基于作为异常值检测的任何期望分数函数的输出的分数值来获得涉及概率值(即在区间[0,1]内的值)的变换的方法。该概率值指示来自集合V的测量值是与潜在测量值集合有关的异常值的概率。这些概率用于构成包括非常可能的异常值的列表。公开[6]涉及用于进行数据过滤以减少功能和趋势线异常值偏差的系统和方法。在用于检测异常值的常规方法中,通常使用阈值或极限值。例如,有可能检测当高于或低于这样的阈值或极限值时,测量值可被认为是异常值或正常测量值。 ...
【技术保护点】
一种用于对从可处于无错误状态或者错误状态的系统S取得的测量值进行评级的方法,其中所述系统S包括至少一个通信网络、通信系统的网络组件或通信网络的服务,所述方法包括以下步骤,所述步骤优选地采用以下次序:(a)形成来自所述系统S的未标记测量值v的集合V;(b)通过使用基于随机的方法对来自所述集合V的测量值进行(i)移除或(ii)加权或(iii)移除和加权来为学习系统L形成包括测量值v'的经修改的学习集合V';(c)由所述学习系统L从所述经修改的学习集合V'形成用于对来自所述系统S的测量值进行评级的模型M;以及(d)由评级系统B使用所述模型M对来自所述系统S的测量值进行评级。
【技术特征摘要】
【国外来华专利技术】2013.09.27 EP 13186464.71.一种用于对从可处于无错误状态或者错误状态的系统S取得的测量值进行评级的方法,其中所述系统S包括至少一个通信网络、通信系统的网络组件或通信网络的服务,所述方法包括以下步骤,所述步骤优选地采用以下次序:(a)形成来自所述系统S的未标记测量值v的集合V;(b)通过使用基于随机的方法对来自所述集合V的测量值进行(i)移除或(ii)加权或(iii)移除和加权来为学习系统L形成包括测量值v'的经修改的学习集合V';(c)由所述学习系统L从所述经修改的学习集合V'形成用于对来自所述系统S的测量值进行评级的模型M;以及(d)由评级系统B使用所述模型M对来自所述系统S的测量值进行评级;其中在步骤(b)中,还在对来自所述集合V的测量值v进行(i)移除或(ii)加权或(iii)移除和加权的期间,将测量值v的至少一个最近近邻移除。2.根据权利要求1所述的方法,其特征在于,步骤(b)包括以下步骤:(b1)通过至少一个分数函数F:V→Q,从所述集合V形成包括分数值q的分数值集合Q;(b2)通过至少一个变换函数T:Q→P,从所述分数值集合Q形成包括概率p的概率集合P;(b3)从测量值形成所述经修改的学习集合V',其中所述测量值v∈V与相应的概率1-p一起被包括在所述经修改的学习集合V'中,其中p=T(F(v));或者其中所述测量值v∈V通过至少一个加权函数G被给予相应的权重。3.根据权利要求1所述的方法,其特征在于,步骤(b)包括以下步骤:(b1)通过至少一个分数函数F:V→Q,从所述集合V形成包括分数值q的分数值集合Q;(b2)通过至少一个变换函数T:Q→P,从所述分数值集合Q形成包括概率p的概率集合P;(b3)从测量值形成所述经修改的学习集合V',其中所述测量值v∈V与相应的概率1-p一起被包括在所述经修改的学习集合V'中,其中p=T(F(v));并且其中所述测量值v∈V通过至少一个加权函数G被给予相应的权重。4.根据权利要求2或3所述的方法,其特征在于,所述分数函数F可表示具有分数值的输出的独立的学习系统L'和评级系统B'。5.根据权利要求4所述的方法,其特征在于,所述分数函数F可表示具有分数值的输出的独立的机器学习系统L'和评级系统B'。6.根据权利要求2或3所述的方法,其特征在于,所述分数函数F是通过考虑所述测量值v的k个次近邻来形成的。7.根据权利要求2或3所述的方法,其特征在于,所述变换函数T是持续递增函数。8.根据权利要求7所述的方法,其特征在于,所述变换函数T是对所有具有0≤T(x)≤1的持续递增函数。9.根据权利要求7所述的方法,其特征在于,所述变换函数T是正态分布、韦伯分布、β分布或连续均布。10.根据权利要求2或3所述的方法,其特征在于,所述加权函数G被定义为G(p)=1-p=1-T(F(v))。11.根据权利要求2或3所述的方法,其特征在于,步骤(b1)到(b3)按迭代方式被相继地执行若干次。12.根据权利要求1所述的方法,其特征在于,其中在步骤(a)中,所述集合V被划分成子集V_1,…,V_N,其中并且其中在步骤(b)中,经修改的学习子集V_1',…,V_N'被形成,其中并且所述学习集合V'从所述经修改的学习子集V_1',…,V_N'组合而成。13.根据权利要求...
【专利技术属性】
技术研发人员:B·勒莱因,M·罗尚德尔,H·凯特博达,M·须斯勒,T·沙海恩,
申请(专利权)人:德国电信股份有限公司,
类型:发明
国别省市:德国;DE
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。