【技术实现步骤摘要】
本专利技术涉及数据挖掘中的异常检测技术和信息融合中的高层融合技术，属于模式识别和智能情报处理领域。
技术介绍
随着信息融合理论的不断完善和信息融合技术的广泛应用，情报处理系统经过检测级、位置级和属性级融合过程，可以自动或半自动的完成对目标的检测、跟踪、航迹关联、属性判决，形成连续稳定的目标航迹。随着目标种类、数量的不断增多和预警监视系统性能的不断提升，越来越多的目标情报数据形成并存在于各种预警监视系统中。如何让计算机自动的发现目标的异常行为是智能情报处理中一项非常重要的研究内容。国内外很多学者对目标的实时异常检测问题进行了大量的研究，主要方法分为学习阶段和异常检测阶段两步进行。学习阶段有基于统计模型的方法、基于神经网络的方法、基于聚类的方法等，异常检测阶段有基于统计检验的方法、基于距离的方法等。但是这些方法普遍存在参数设置复杂、统计模型不够准确，虚警率不能有效控制、在线学习效果较差等问题。
技术实现思路
本专利技术提供了一种基于多因素不一致度量的异常行为序贯检测方法，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：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,...,zl)，其中4)多因素Hausdorff距离矩阵M，其中矩阵的每个元素Mi,j:i＝1,...,l,j＝1,...,k表示zi到样本序列(z1,...,zi-1,zi+1,...,zl)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...
【技术保护点】
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,...,zl)，其中4)多因素Hausdorff距离矩阵M，其中矩阵的每个元素Mi,j:i＝1,...,l,j＝1,...,k表示zi到样本序列(z1,...,zi‑1,zi+1,...,zl)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zl+1＝{x1∪x2∪…∪xL}，其中xi∩xj＝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∪…∪xL}＝zl+1计算得出的类别；2)距离向量(m1,...,ml)，其中mi:i＝1,...,l表示zl+1到zi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zi到zl+1的多因素Hausdorff距离：步骤二，初始化：对距离mi赋零初值，并计算多因素Hausdorff距离矩阵Mi,1,...,Mi,k‑1的和，定义为步...
【技术特征摘要】
1.一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,...,zl)，其中4)多因素Hausdorff距离矩阵M，其...
【专利技术属性】
技术研发人员：潘新龙，王海鹏，何友，夏沭涛，彭煊，周伟，
申请(专利权)人：中国人民解放军海军航空工程学院，
类型：发明
国别省市：山东;37
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。