用于从多变量数据集合检测异常的学习过程和相关联的异常检测过程制造技术

本发明专利技术的一方面涉及用于检测在微控制器上的异常的学习过程，该微控制器包括存储器，存储器存储了预限定数目的类别并且从传感器接收多变量集合，方法包括以下步骤：针对数据集合的组计算平均值和协方差矩阵；如果协方差矩阵状态较差，则：将数据集合添加到一组学习数据集合并且更新平均值和协方差矩阵；创建与在存储器中的平均值和协方差矩阵相关联的类别；针对每个类别，计算在类别与每个其他类别之间的距离的测量值；选择对应于第一最小距离测量值的类别，并且将所选择的两个类别组合。并且将所选择的两个类别组合。并且将所选择的两个类别组合。

【技术实现步骤摘要】
【国外来华专利技术】用于从多变量数据集合检测异常的学习过程和相关联的异常检测过程


[0001]本专利技术的
是用于检测异常的处理的
，更具体地，是在微控制器上实现的用于从多变量数据集合中检测异常的处理的

[0002]本专利技术涉及一种用于检测异常的学习过程，尤其涉及一种在微控制器上实现的用于从多变量数据集合中检测异常的递进学习过程。本专利技术还涉及用于实现学习过程和/或检测过程的微控制器的异常检测过程，嵌入微控制器的设备和计算机程序产品。

技术介绍

[0003]为了检测通过至少一个传感器从几个变量(例如通过温度，压力和湿度)监测的系统中的异常，已知使用例如基于神经元网络的技术，允许获得高检测率。这些技术通常需要使用强大的处理器和大量的存储器资源来起作用。
[0004]因此，这些技术与在存储器资源方面受限的微控制器上的实施方案不兼容，但由于其减小的尺寸而具有高度集成。
[0005]因此，需要设计一种用于从多变量数据中检测异常的算法，其允许获得与在微控制器上实现的用于检测异常的其它已知技术所获得的性能相当的性能，所述微控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于检测微控制器(200)上实现的异常的递进学习过程(11)，所述微控制器(200)包括至少一个存储器(201)，所述微控制器(200)被配置为从至少一个传感器(203)接收多变量数据集合，所述存储器(201)被配置为存储预限定数目的类别，类别与平均值和协方差矩阵相关联，所述过程(11)的特征在于其包括以下步骤：－初始化，包括创建类别并将所述类别存储在所述存储器(201)中的至少一个子步骤(111)，使得所创建的类别的数目严格小于预限定的类别的数目；－对于至少一组学习数据集合：
○
计算(112)针对所述一组学习数据集合的平均值和协方差矩阵；
○
如果所述一组学习数据集合的所述协方差矩阵被不良地调节的条件(CS)被验证则执行以下项，所述条件(CS)取决于所述协方差矩阵的LU因数分解：
●
将数据集合添加到所述一组学习数据集合，并且更新所述一组学习数据集合的所述平均值和所述协方差矩阵(113)；
○
创建与所述一组学习数据集合的所述平均值和所述协方差矩阵相关联的类别，并且将所述类别存储在所述存储器(201，114)中；
○
对于存储在所述存储器(201)中的每个类别，从所关联的平均值和协方差矩阵(115)计算所述类别与存储在所述存储器(201)中的每个其他类别之间的距离的第一测量；
○
选择对应于第一最小距离测量的两个类别，并且通过合并两个所选择的所述类别来创建单个类别(116)。2.根据权利要求1所述的学习过程(11)，其特征在于，所述初始化步骤(111)包括以下子步骤：－如果存储在所述存储器中的所述类别的数目严格小于预限定的类别的数目的条件(CN)被验证，则：
○
对于一组初始化数据集合：
●
计算(1111)针对所述一组初始化数据集合的平均值和协方差矩阵；
●
如果所述一组初始化数据集合的协方差矩阵被较差地调节的条件(CS)，则：
■
将数据集合添加(1112)到所述一组初始化数据集合，并更新所述一组初始化数据集合的所述平均值和所述协方差矩阵；
●
创建(1113)与所述一组初始化数据集合的所...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：卡迪赛姆公司，
类型：发明
国别省市：