基于张量标签学习的并发异常状态识别与定位系统技术方案

一种基于张量标签学习的并发异常状态识别与定位系统，包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习系统、预测张量标签信息融合模块和预测结果评级模块，本发明专利技术利用高维的张量标签将异常状态的识别与定位统一到张量学习的框架中，将完整异常状态信息为到异常状态张量中，综合评价异常状态诊断系统对异常状态的认知。利用张量标签学习进行异常状态识别与定位，对工业系统和控制系统的异常状态进行精确的状态、位置以及类别的判定，进行快速完整的态势和威胁估计，从可以对系统安全的异常状态威胁进行完整、高效、精确的处理。

Concurrent Abnormal State Recognition and Location System Based on Tensor Label Learning

A concurrent anomaly recognition and positioning system based on tensor label learning includes: anomaly data preprocessing module, high-dimensional tensor label module, tensor slice and operation module, machine learning system, information fusion module of predictive tensor label and prediction result rating module. The method unifies anomaly recognition and positioning to tensor by using high-dimensional tensor label. In the framework of learning, the complete abnormal state information is transformed into the abnormal state tensor, and the recognition of abnormal state by the abnormal state diagnosis system is evaluated comprehensively. Tensor label learning is used to identify and locate abnormal states, to determine the abnormal states of industrial systems and control systems accurately, to estimate the situation and threat quickly and completely, and to deal with the threat of abnormal states of system security completely, efficiently and accurately.

【技术实现步骤摘要】
基于张量标签学习的并发异常状态识别与定位系统
本专利技术涉及的是一种机器识别领域的技术，具体是一种基于张量标签学习的并发异常状态识别与定位系统。
技术介绍
并发异常状态是多种独立异常状态(Independentfault)的集合，但与每个独立异常状态都不同，因为工业系统是一个整体，单异常状态模式会融合到一起，产生新的模式和新的现象，而且这些异常状态会相互作用、相互影响，这就给异常状态的识别造成了极大的难度。数据驱动的并发异常状态诊断是基于观察到的模式或数据，用于检测同时发生的多个独立异常状态。为了使机器学习算法能够处理工业系统的并发异常状态识别，需要克服两个挑战。第一，单异常状态的模式混合到一起组合出并发异常状态的模式，这些模式不仅是模式的加权而是会产生新的数据模型，从混合的模式里识别出模式的组合具有极高的难度。第二，由于单个异常状态的组合次数较多，因此获取大量并发异常状态的样本数据集成本很高，从而产生了许多可能的并发异常状态训练模式，并发异常状态的类型呈指数型增长。当存在10个单一异常状态，则同步异常状态类将变为1024级，无法通过机器学习进行加标签训练，即“并发异常状态类型灾难”本文档来自技高网...

【技术保护点】
1.一种基于张量标签学习的并发异常状态识别与定位系统，其特征在于，包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习系统、预测张量标签信息融合模块和预测结果评级模块，其中：异常状态数据预处理模块采集来自工业系统的原始数据结构化和标准化处理后输出标准数据至高维张量标签模块，高维张量标签模块对标准数据进行加标签处理并生成系统状态信息张量后分别输出至张量切片与运算模块和预测结果评级模块，张量切片与运算模块对系统状态信息张量进行压缩处理并输出降维后的张量信息至机器学习系统，机器学习系统分别通过模式识别算法进行异常状态识别得到故障类型标签、通过特征选择算法进行异常状态定位得到故...

【技术特征摘要】
1.一种基于张量标签学习的并发异常状态识别与定位系统，其特征在于，包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习系统、预测张量标签信息融合模块和预测结果评级模块，其中：异常状态数据预处理模块采集来自工业系统的原始数据结构化和标准化处理后输出标准数据至高维张量标签模块，高维张量标签模块对标准数据进行加标签处理并生成系统状态信息张量后分别输出至张量切片与运算模块和预测结果评级模块，张量切片与运算模块对系统状态信息张量进行压缩处理并输出降维后的张量信息至机器学习系统，机器学习系统分别通过模式识别算法进行异常状态识别得到故障类型标签、通过特征选择算法进行异常状态定位得到故障位置标签，预测张量标签信息融合模块通过对两种标签融合得到预测标签张量，预测结果评价模块根据预测标签张量与系统状态信息张量中的原始标签张量进行张量对比运算，得到使用精度，从而实现异常交易状态识别与定位精度；所述的加标签处理具体包括：①标量标签yns＝i,i∈N，其中：标签的输出是时间序列的，因此，系统状态随时间t变化的标签输出是标签维度加入时间t维度的输出：②向量标签：一个标签同时记录了多个不同的系统状态，标签形式为Yi＝{y1…ync}，向量标签输出：③矩阵标签：一个标签不仅记录了多个不同的系统状态，而且记录了各个传感器的位置信息，标签形式为矩阵型标签流Ytensor为三阶张量，是矩阵标签沿时间维度的拓展，其中：(Ytensor)i＝Yi。2.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位系统，其特征是，所述的异常状态数据预处理模块包括：数据结构化单元、数据标准化单元，其中：数据结构化单元与工业系统各传感器数据相连并传输工业过程结构化数据，数据标准化单元与数据结构化单元相连并传输经过归一化后的工业化数据。3.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位系统，其特征是，所述的高维张量标签模块包括：标量标签单元、向量标签单元、矩阵标签单元，其中：标量标签单元与工业系统数据故障类别相连，并传输以标量表示的故障标签，向量标签单元与标量单元相连并输出单个标签位能够表示一类故障是否发生的向量标签，矩阵标签单元与向量标签单元相连并输出加入了故障位置信息的矩阵标签信息。4.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位系统，其特征是，所述的张量切片与运算模块包括：张量切片与分解单元，其中：张量切片与分解单元与异常状态数据预处理模块及高维张量标签模块相连，并输出降维后的张量数据信息。5.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位系统，其特征是，所述的机器学习系统通过模式识别算法进行异常状态识别具体是指：使用有监督机器学习算法对带...

【专利技术属性】
技术研发人员：李双宏，
申请(专利权)人：东方证券股份有限公司，
类型：发明
国别省市：上海,31