[发明专利]一种基于归一化互信息估计的时间序列异常检测方法

权利要求书

1.一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：包括以下步骤：

步骤A.对待检测的时间序列进行数据预处理，得到M个与时间序列采样片段对应的样本点集合,初始化m＝1；

步骤B.基于极限学习机对第m及第m+1个相邻采样片段对应的样本点集合进行互信息估计，求得第m对的互信息数值；

步骤C.将步骤B求得的第m对互信息数值利用最大信息熵进行归一化；

步骤D.m＝m+1，并判断m是否等于M，并根据判断结果决定是否跳至步骤B，具体为：

D.1 若m小于M，则跳至步骤B；

D.2 否则，若m等于M，跳至步骤E；

步骤E 对生成的归一化互信息序列中的M－1个互信息数值与阈值进行比较，确定异常时间序列采样片段的位置；

至此，从步骤A到步骤E，完成了一种基于归一化互信息估计的时间序列异常检测算法。

2.根据权利要求1所述的一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：步骤A中的数据预处理，又包括如下子步骤：

步骤A1.使用时间窗以固定的时延长度在时间序列上滑动；

步骤A2.利用步骤A1的时间窗对时间序列进行依次截取，将截取的每一个子序列中的样本点放入样本点集合当中，最后产生M个与时间序列对应的样本点集合。

3.根据权利要求2所述的一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：步骤A1中的时间窗的长度是固定的；M等于待检测的时间序列的长度减去一个时间窗的长度后，再除以时延长度后的整数值。

4.根据权利要求1所述的一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：步骤B又包括以下子步骤：

步骤B1.分别对第m及第m+1个样本点集合进行最大最小归一化，得到第m对样本点集合；

步骤B2.初始化极限学习机(ELM)，具体为：

选择高斯核函数作为隐藏层核函数，设置隐藏层节点个数N；对于每个隐藏层的核函数，从步骤B1输出的第m对样本点集合中的任意的相同位置处选取一对样本点作为核宽，在区间(a,b)中任取一点作为核中心，对N个核函数进行初始化；

步骤B3.求解权重矩阵，具体为：

步骤B3.1 利用ELM估计联合概率密度与边缘概率密度乘积之比，即概率密度比；

步骤B3.2 通过使得ELM的输出与概率密度比的差值的期望值最小，利用样本平均取代期望值，求得ELM隐藏层至输出层的权重矩阵；

步骤B4.求得互信息数值，具体为：将步骤B3.2求得的权重矩阵代入ELM当中，利用样本平均代替期望求得互信息数值。

5.根据权利要求1所述的一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：步骤C,具体包括如下子步骤：

步骤C1.根据最大熵原理，分别计算第m对样本点集合的最大熵；

步骤C2.将步骤C1输出的两个最大熵中数值较大的最大熵作为归一化因子，对第m对样本点集合的互信息进行归一化。

6.根据权利要求1所述的一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：步骤E中，生成的归一化互信息序列是由执行M－1次步骤B和步骤C得出的归一化互信息值组成的集合；阈值是人为设定的数值。

7.根据权利要求1所述的一种基于归一化互信息估计的时间序列异常检测算法，其特征在于：步骤E，具体为：若某一个归一化互信息数值高于设置的阈值，则该数值对应的时间序列采样片段将视为一个发生突变的片段。