基于多因素不一致度量的異常行為序貫檢測方法
【專利摘要】本發(fā)明公開了一種基于多因素不一致度量的異常行為序貫檢測方法。該方法充分考慮目標的位置、速度和運動方向信息，通過在線學習和序貫異常檢測的方式，實現(xiàn)對目標異常行為的實時異常檢測，具體包括以下步驟：一、定義輸入、輸出變量；二、初始化；三、對測試樣本中的每個數(shù)據(jù)點和訓練樣本序列中的每個樣本重復進行相應(yīng)的異常檢測；四、當前測試樣本的每個數(shù)據(jù)點都異常檢測完成后，更新訓練樣本序列；五、對多因素Hausdorff距離矩陣進行更新；六、更新后的訓練樣本序列和更新后的多因素Hausdorff距離矩陣作為新的輸入變量，對下一個測試樣本進行異常檢測。該方法參數(shù)設(shè)置簡單，虛警率可控，異常檢測準確率高，工程易實現(xiàn)，在預(yù)警監(jiān)視領(lǐng)域有廣闊的應(yīng)用前景。
【專利說明】
基于多因素不一致度量的異常行為序貫檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及數(shù)據(jù)挖掘中的異常檢測技術(shù)和信息融合中的高層融合技術(shù)，屬于模式 識別和智能情報處理領(lǐng)域。
【背景技術(shù)】
[0002] 隨著信息融合理論的不斷完善和信息融合技術(shù)的廣泛應(yīng)用，情報處理系統(tǒng)經(jīng)過檢 測級、位置級和屬性級融合過程，可以自動或半自動的完成對目標的檢測、跟蹤、航跡關(guān)聯(lián)、 屬性判決，形成連續(xù)穩(wěn)定的目標航跡。隨著目標種類、數(shù)量的不斷增多和預(yù)警監(jiān)視系統(tǒng)性能 的不斷提升，越來越多的目標情報數(shù)據(jù)形成并存在于各種預(yù)警監(jiān)視系統(tǒng)中。如何讓計算機 自動的發(fā)現(xiàn)目標的異常行為是智能情報處理中一項非常重要的研究內(nèi)容。國內(nèi)外很多學者 對目標的實時異常檢測問題進行了大量的研究，主要方法分為學習階段和異常檢測階段兩 步進行。學習階段有基于統(tǒng)計模型的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于聚類的方法等，異常 檢測階段有基于統(tǒng)計檢驗的方法、基于距離的方法等。但是這些方法普遍存在參數(shù)設(shè)置復 雜、統(tǒng)計模型不夠準確，虛警率不能有效控制、在線學習效果較差等問題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明提供了一種基于多因素不一致度量的異常行為序貫檢測方法，充分考慮目 標的位置、速度和運動方向信息，通過在線學習和序貫異常檢測的方式，實現(xiàn)對目標異常行 為的實時異常檢測。具體包括以下步驟：
[0004] 步驟一，定義輸入、輸出變量：
[0005] 輸入變量：
[0006] 1)異常閾值e;
[0007] 2)需要考慮的近鄰數(shù)量k;
[0008] 3)訓練樣本序列（zi, ? ? ?，zi)，其中z,. g :/ = 1,..../ ;
[0009] 4)多因素Hausdorff距離矩陣M，其中矩陣的每個元素Mi,j:i = l, ? ? ? ,1, j = l, ? ? ?, k表示Zi到樣本序列(zi,. . . ,Zi-i,Zi+i,. . . ,zi)第j近的樣本之間的多因素Hausdorff距離； [0010] 5)空的優(yōu)先序列Q;
[0011] 6)測試樣本 zi+i={xiUx2U …Uxl}，其中XiflXj=<i):i，j = l，...，LAj^i;
[0012] 輸出變量：
[0013] 1 )異常指示變量，其中?，:1對應(yīng)子集 U"'Ua)丨c 計算得出的類別，^對應(yīng){X1 u X2 U…U xl} =zi+i計算得出的類別；
[0014] 2)距離向量(mi,…，mi)，其中mi:i = l, ? ? ?，1表示Z1+1到Zi的多因素Hausdorff距 i^i ： ^, z^y ；
[0015] 3)距離向量(m'l,…，m'i)，其中m'i:i = l, ? ? ? ,1表示Zi到zi+1 的多因素Hausdorff 距離
[0016] 步驟二，初始化:對距離mi賦零初值，并計算多因素Hausdorff距離矩陣Mi,i，? ? ?， .々-1 Mi, k-i的和，定義為v,?=￡ M.
[0017] 步驟三，對測試樣本zi+i= {xiUx2U'" U xl}中的Xj: j = 1，. . .，L和訓練樣本序列 (Z1，. . .，z〇中的Zl:i = l，. . .，1重復進行如下異常檢測過程：
[0018 ] 1)通過計算多因素Haus dor f f距離對mi的取值進行更新；
[0019] 2)對Q內(nèi)的元素進行更新；
[0020] 3)通過計算多因素Hausdorff距離對m'i的取值進行更新；
[0021] 4)根據(jù)距離m'i與距離M1>k的取值大小，對不一致度量^的取值進行更新；
[0022] 5)從Q中提取當前的k個距離值，并通過對這k個距離值的求和對不一致度量a1+1的 取值進行更新；
[0023] 6)計算 pi+1 取值；
[0024] 7)進行閾值e判別，對當前測試樣本的異常情況進行檢測更新。
[0025] 步驟四，當測試樣本z1+1的每個數(shù)據(jù)點X1，X2,…，xl都異常檢測完成后，輸出異常指 示變量和距離向量，將Z1+1添加到訓練樣本序列（zi, ...，zi)中，將訓練樣本序列更新為 (Z1，? ? ?，Zl+l)〇
[0026] 步驟五，對多因素Hausdorff距離矩陣M進行更新。
[0027]步驟六，更新后的訓練樣本序列（Z1，...，z1+1)和更新后的多因素Hausdorff距離 矩陣M作為新的輸入變量，對測試樣本z1+2進行異常檢測。
[0028] 本發(fā)明的有益效果在于:本發(fā)明提供的一種基于多因素不一致度量的異常行為序 貫檢測方法，具有參數(shù)設(shè)置簡單、虛警率可控，準確率高、能夠在線學習和序貫異常檢測的 優(yōu)點，并且綜合考慮了目標的位置、速度和航向信息，對目標的位置異常、速度異常和運動 方向異常行為都能夠進行實時檢測。
【附圖說明】
[0029] 附圖1是本發(fā)明所述的基于多因素不一致度量的異常行為序貫檢測方法的整體流 程圖。
【具體實施方式】
[0030] 下面結(jié)合附圖對本發(fā)明的實施方式加以詳細說明。
[0031] 步驟一，定義輸入、輸出變量：
[0032] 輸入變量：
[0033] 1)異常閾值￡;
[0034] 2)需要考慮的近鄰數(shù)量k;
[0035] 3)訓練樣本序列（zi, ? ? ?，zi)，其中z, <二 /?" :/ =丨，;
[0036] 4)多因素Hausdorff距離矩陣M，其中矩陣的每個元素Mu:i = l，?…，1J = 1，…?， k表示Zi到樣本序列(zi,. . .，zi-i，zi+i,. . .，zi)第j近的樣本之間的多因素Hausdorff距離； [0037] 5)空的優(yōu)先序列Q;
[0038] 6)測試樣本2；1+1={叉1口叉2口 …Uxl}，其中Xiflxj=傘：i, j = l, ? ? ?，LAj辛i;
[0039] 輸出變量：
[0040] 1 )異常指示變量辦〇<+1丨，…，也，其中>4"麵f+1，： / =丨，.?，L -1對應(yīng)子集 h c z，+1計算得出的類別，對應(yīng){xi U X2 u…U xl} =Z1+1計算得出的類別；
[0041 ] 2)距離向量(mi，…，mi)，其中mi: i = 1，? ? ?，1表示zi+i到zi的多因素Hausdorff距
[0042] 3)距離向量(m'i，???，m'i)，其中 m'i:i = l，...，1 表示 Zi 到 zi+i 的多因素 Hausdorff 距離:Hl)。
[0043] 步驟二，初始化:對距離mi賦零初值，并計算多因素Hausdorff距離矩陣Mi,i，...， Mi,k-1的和[風，多因素Hausdorff距離矩陣M的每個元素Mi,j:i = l，…，1，j = l,…，k 表示Zi到樣本序列（zi, . . .，Zi-i，Zi+i, . . .，Z1)第j近的樣本之間的多因素Hausdorff距離，多 因素Hausdorff距離的具體定義如下：
[0044] 1)考慮兩個目標的位置信息、速度信息和運動方向信息，兩個目標之間的多因素 距離定義為：
[0045] mfdist(a,b) =wd ? dist(a,b)+wv ? | va-vb |+we ? | 9a-9b (1)
[0046] 其中Va，Vb表示點a與點b的速度信息，0a，0 b表示點a與點b的運動方向信息，Wd表示 位置信息的權(quán)重因子，Wv表示速度信息的權(quán)重因子，^表示運動方向信息的權(quán)重因子，權(quán)重 因子的取值取決于多因素距離的應(yīng)用場景。
[0047] 2)基于多因素距離mfdist(a，b)，A到B的多因素Hausdorff距離定義為：
[0048] ()'w(.4, B) = max | min (2 )
[0049] A與B為兩個樣本序列。
[0050] 步驟三，對測試樣本zi+i = {xi U X2 U…U xl}中的Xj: j = 1, . . . ,L和訓練樣本序列 (Z1，. . .，z〇中的Zl:i = l，. . .，1重復進行如下異常檢測過程：
[0051 ] 1)根據(jù)式(2)計算多因素Haus dor f f距離，對m i的取值進行更新：
[0052] m, - max > (3)
[0053] 2)對Q內(nèi)的元素進行更新：
[0054]如果Q內(nèi)的元素個數(shù)小于近鄰數(shù)量k，則將當前的nu取值插入到Q中，如果Q內(nèi)存有k 個距離值，并且當前的nu小于Q中的最大距離值，則刪除Q中的最大距離值，將當前nu取值插 入到Q中；
[0055] 3)根據(jù)式(2)計算多因素Hausdorff距離，對":的取值進行更新：
[0056]級.:1;.. = 4 (z,，{U ?. ? U 巧 j) (4)
[0057] 4)根據(jù)距離m'i與距離M1>k的取值大小，對不一致度量^的取值進行更新：
[0058] 如果:m'XMi.k，
[0059] ai = vi+m'i (5)
[0060] 否則，
[0061] ai = vi+Mi，k (6)
[0062] <^的具體定義為:給定一個樣本序列^1,。.，^ :，24#:/ = 1,.:..，《代表空間#中的 一個非空點集，樣本Zl到集合{Z1，. . .，Zn}\Zl的多因素不一致度量h可以定義為： k _+
[0063] ai =Y/M(:i、麗、zi，{zvz々}、Zi J:)) (7) M
[0064] 其中NN(Zi, {zi, . . .，zn}\zi, j) G {zi, . . .，zn}\zi 表示根據(jù)式（2)定義的多因素 Haus dor f f距離計算得出的距離z i第j近的樣本；
[0065] 5)從Q中提取當前的k個距離值，對不一致度量a1+1的取值進行更新：
[0066] al+x - sum|,m*k| (8)
[0067] 6)計算 pi+1 取值：
(9)
[0069] 【{纟=1，:..:.,/: + 1瑪&泛/+1..}』表示集合{1 = 1，...，1+1:<^彡(11+1}中元素的數(shù)量；
[0070] 7)進行閾值e判別，對當前測試樣本的異常情況進行檢測更新：
[0071] 如果 p1+1〈e，
[0072] Anomic = 1 (1.0)
[0073]否則，
[0074] Anoml, =： 0 .(.11)
[0075] 其中，=1代表檢測結(jié)果為異常行為，=0代表檢測結(jié)果為正常行 為。
[0076] 步驟四，當測試樣本Z1+1的每個數(shù)據(jù)點X1，X2,…，a都異常檢測完成后，輸出異常指 示變量和距離向量，將Z1+1添加到訓練樣本序列（zi, ...，zi)中，將訓練樣本序列更新為 (Z1，? ? ?，Zl+l)〇
[0077] 步驟五，對多因素Hausdorff距離矩陣M進行如下更新：
[0078] 1)多因素Hausdorff距離矩陣M的第1行到第1行，根據(jù)輸出的距離向量(m、，...， m'i)進行更新；
[0079] 2)將輸出的距離向量(mi，...，m〇作為最后一行增加到多因素Hausdorff距離矩陣 皿中。
[0080]步驟六，更新后的訓練樣本序列（Z1，...，Z1+1)和更新后的多因素Hausdorff距離 矩陣M作為新的輸入變量，對測試樣本z1+2進行異常檢測。
【主權(quán)項】
1. 一種基于多因素不一致度量的異常行為序貫檢測方法，其特征在于，包括以下步驟： 步驟一，定義輸入、輸出變量； 輸入變量： 1) 異常閾值ε; 2) 需要考慮的近鄰數(shù)量k; 3) 訓練樣本序列(zi, . . .，ζι)，其中z,. g /Γ' :/ = 1,...,/; 4) 多因素 Hausdorff距離矩陣M，其中矩陣的每個元素 Mi,j: i = l，. . ·，1，j = l，. . ·，k表 示Zi到樣本序列(zi,. . .，zi-i，zi+i,. . .，ζι)第j近的樣本之間的多因素 Hausdorff距離； 5) 空的優(yōu)先序列Q; 6) 測試樣本zi+1= {xi U X2 U …U a}，其中Xi 門 Xj = φ : i，j = 1，· · ·，LA j^i ; 輸出變量： 1 )異常指示變量』_叫；，·"，也0，其中= 對應(yīng)子集 k υ···υλ·;丨C &丨計算得出的類另Ij，dn〇w,r+1』對應(yīng)(X1Ux2U…Uxl} =Z1+1計算得出的類別； 2) 距離向量(mi, . . . ,mi)，其中mi: i = 1, . . · , 1表示zi+i到Zi的多因素 Hausdorff距離： (z/+l 'zi) ' 3) 距離向量(m'i,…，m'i)，其中m'i:i = l,…，1表示Zi到zi+i的多因素 Hausdorff距離： 步驟二，初始化:對距離nu賦零初值，并計算多因素 Hausdorff距離矩陣Mi,i, ·…，Mi,k-1 的和，定；步驟三，對測試樣本zi + 1= {xi U X2 U…U xL}中的Xj: j = I，. . .，L和訓練樣本序列 (Z1，. . .，Z1)中的Zl:i = l，. . .，1重復進行如下異常檢測過程： 1) 通過計算多因素 HausdorfT距離對ΠΗ的取值進行更新； 2) 對Q內(nèi)的元素進行更新； 3) 通過計算多因素 Hausdorff距離對m'i的取值進行更新； 4) 根據(jù)距離V1與距離M1,k的取值大小，對不一致度量〇1的取值進行更新； 5) 從Q中提取當前的k個距離值，并通過對這k個距離值的求和對不一致度量α1+1的取值 進行更新； 6) 計算ρι+ι取值； 7) 進行閾值ε判別，對當前測試樣本的異常情況進行檢測更新； 步驟四，當測試樣本ζ1+1的每個數(shù)據(jù)點Χ1，Χ2,…，a都異常檢測完成后，輸出異常指示變 量和距離向量，將zi+i添加到訓練樣本序列(zi, . . .，ζι)中，將訓練樣本序列更新為(zi,...， Z1+1); 步驟五，對多因素 Hausdorff距離矩陣M進行更新； 步驟六，更新后的訓練樣本序列（Z1, ...，z1+1)和更新后的多因素 Hausdorff距離矩陣M 作為新的輸入變量，對測試樣本ζι+2進行異常檢測。2. 根據(jù)權(quán)利要求1所述的基于多因素不一致度量的異常行為序貫檢測方法，其特征在 于， 步驟二中多因素 Hausdorff距離的具體定義如下： 1) 考慮兩個目標的位置信息、速度信息和運動方向信息，兩個目標之間的多因素距離 定義為： mfdist(a,b) =Wd · dist(a,b)+wv · Va-Vb | +we · 0a-0b 其中va，Vb表示點a與點b的速度信息，0a，0b表示點a與點b的運動方向信息，Wd表示位置 信息的權(quán)重因子，Wv表示速度信息的權(quán)重因子，訓表示運動方向信息的權(quán)重因子，權(quán)重因子 的取值取決于多因素距離的應(yīng)用場景； 2) 基于多因素距離mfdist(a,b)，A到B的多因素 Hausdorff距離定義為：A與B為兩個樣本序列。3.根據(jù)權(quán)利要求1所述的基于多因素不一致度量的異常行為序貫檢測方法，其特征在 于， 步驟三具體為： 1) 根據(jù)多因素 Hausdorff?距離的定義，對Hi1的取值進行更新：2) 對Q內(nèi)的元素進行更新： 如果Q內(nèi)的元素個數(shù)小于近鄰數(shù)量k，則將當前的m取值插入到Q中，如果Q內(nèi)存有k個距 離值，并且當前的πη小于Q中的最大距離值，則刪除Q中的最大距離值，將當前Hi1取值插入到Q 中； 3) 根據(jù)多因素 Hausdorff?距離的定義，對!!^的取值進行更新：4) 根據(jù)距離V1與距離M1,k的取值大小，對不一致度量〇1的取值進行更新： 如果:m'i〈Mi,k， ai = Vi+m，i 否則， ai = vi+Mi,k cii的具體定義為:給定一個樣本序列{ζι, . . . ,zn} ,Z1 :〗=1.，....,、《_代表空間1?(1中的一 個非空點集，樣本Z1到集合{Z1，...，Zn}\Zl的多因素不一致度量Ct 1可以定義為：其中NN(Zi, {zi, . . .，zn}\zi, j) e {zi, . . .，zn}\zi表示根據(jù)定義的多因素 Hausdorff距離 計算得出的距離21第」近的樣本； 5) 從Q中提取當前的k個距離值，對不一致度量α1+1的取值進行更新： 6) 計算ρι+ι取值：[[{i = l, · · ·，1+1:α0α1+1}]]表示集合{i = l, · · ·，1+1:α0α1+1}中元素的數(shù)量； 7)進行閾值ε判別，對當前測試樣本的異常情況進行檢測更新： 如果ρι+ι〈ε， 否則，其中，= 1代表檢測結(jié)果為異常行為，= O代表檢測結(jié)果為正常行為。4.根據(jù)權(quán)利要求1所述的基于多因素不一致度量的異常行為序貫檢測方法，其特征在 于，步驟五具體為： 1) 多因素 Hausdorff距離矩陣M的第1行到第1行，根據(jù)輸出的距離向量(m、，...，m'〇進 行更新； 2) 將輸出的距離向量(im，...，πη)作為最后一行增加到多因素 Hausdorff距離矩陣M中。
【文檔編號】G06K9/62GK105894014SQ201610186905
【公開日】2016年8月24日
【申請日】2016年3月29日
【發(fā)明人】潘新龍, 王海鵬, 何友, 夏沭濤, 彭煊, 周偉
【申請人】中國人民解放軍海軍航空工程學院