基于数据流密度增量学习的在线检测异常识别方法技术

本发明专利技术涉及在线检测技术领域，公开了一种基于数据流密度增量学习的在线检测异常识别方法，包括：根据数据流自动获取超参数；使用密度增量学习方法对已知数据集进行聚类；计算新输入数据的局部密度和基于聚类的离群因子值并进一步更新数据。本发明专利技术结合了iLOF和增量式基于密度的带噪声聚类算法的概念，利用核心k最近邻来计算每个VOCs数据点的局部异常因子，不依赖数据的整体分布，在不同数据分布的情况下都能有效检测离群点。

【技术实现步骤摘要】

本专利技术涉及在线检测，具体涉及一种基于数据流密度增量学习的在线检测异常识别方法。

技术介绍

1、基于一系列化学气体传感器的分析设备——通常称为电子鼻(enoses)，被广泛用来监测挥发性有机化合物，它们体积小、反应快且成本效益高，成功应用于食品、乳制品、饮料行业以及医学诊断、环境气体监测等不同领域。然而，电子鼻系统也存在一些缺点，例如传感层的灵敏度、响应时间和恢复率会随着时间退化，检测数据产生异常值，进而影响检测结果无法达到预定精度。因此，有必要设计一种vocs在线检测异常识别方法。

2、异常值检测研究中，基于密度的方法由于不需要对数据的基础分布进行任何假设，只需计算每个数据点与其最近邻的相似性，就可以确定异常值存在程度，称作该数据点的局部异常值因子(lof)。进而引出了可以实时数据处理的实例增量lof(ilof)算法，但该算法存在异常值聚类的问题，而基于密度的噪声应用空间聚类(dbscan)方法虽可弥补这个问题，但不适合应用在数据流中。综上，本专利技术提出一种新型的、无参数的增量局部密度和基于聚类的异常因子(ildcbof)方法。该方法将增本文档来自技高网...

【技术保护点】

1.一种基于数据流密度增量学习的在线检测异常识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于数据流密度增量学习的在线检测异常识别方法，其特征在于，步骤一具体包括：

3.根据权利要求2所述的基于数据流密度增量学习的在线检测异常识别方法，其特征在于，步骤二具体包括以下步骤：

4.根据权利要求3所述的基于数据流密度增量学习的在线检测异常识别方法，其特征在于，步骤三具体包括：

【技术特征摘要】

1.一种基于数据流密度增量学习的在线检测异常识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于数据流密度增量学习的在线检测异常识别方法，其特征在于，步骤一具体包括：

3.根...

【专利技术属性】
技术研发人员：许镇义，康宇，谭几方，王福田，陶良钊，丁宗英，三先军，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：