[发明专利]基于工控异常检测的RBF改进方法、装置和设备

权利要求书

1.一种基于工控异常检测的RBF改进方法，其特征在于，包括：

采集工业控制系统的网络数据；

对所述网络数据进行预处理，得到预处理后的样本网络数据；

基于减聚类算法，在所述样本网络数据中确定隐节点的聚类中心，并根据所述聚类中心确定所述隐节点的扩展常数；

将初始权重值作为初始权重输入项进行权重迭代处理；其中，所述权重迭代处理过程包括：根据权重输入项、所述聚类中心、所述扩展常数和预先设置的维度信息确定RBF模型；将所述样本网络数据输入到所述RBF模型中，得到网络误差值；将所述网络误差值作为适应度值输入到灰狼优化算法模型中，得到所述灰狼优化算法模型输出的优化结果；将所述优化结果作为下一次迭代的权重输入项；

当检测到所述权重迭代处理过程中，所述当前网络误差值为最小网络误差值时停止迭代；

将所述最小网络误差值对应的优化结果作为所述隐节点的输出权重；

根据所述聚类中心、所述扩展常数和所述输出权重确定改进后的RBF优化模型。

2.根据权利要求1所述基于工控异常检测的RBF改进方法，其特征在于，所述对所述网络数据进行预处理，得到预处理后的样本网络数据，包括：

对所述网络数据进行样本标准化处理，得到所述样本标准化处理后的标准网络数据；

基于KPCA非线性特征提取算法，对所述标准网络数据进行降维处理，得到所述样本网络数据。

3.根据权利要求2所述基于工控异常检测的RBF改进方法，其特征在于，所述对所述网络数据进行样本标准化处理，得到所述样本标准化处理后的标准网络数据，包括：

对所述网络数据进行数据清洗处理、类型转换处理和数据归约处理，得到所述标准网络数据。

4.根据权利要求1所述基于工控异常检测的RBF改进方法，其特征在于，所述基于减聚类算法，在所述样本网络数据中确定隐节点的聚类中心，包括：

根据所述样本网络数据，确定初始聚类中心；

将所述初始聚类中心作为初始中心输入项进行中心迭代处理；其中，所述中心迭代处理的过程包括：计算所有所述样本网络数据与中心输入项的距离，按照最小距离原则进行分类；重新计算各类的新聚类中心，将所述新聚类中心作为下一次迭代的中心输入项；

当检测到所述中心迭代处理过程中所述新聚类中心稳定时，停止迭代；

将稳定的新聚类中心作为所述隐节点的聚类中心。

5.根据权利要求1所述基于工控异常检测的RBF改进方法，其特征在于，所述初始聚类中心包括多个子初始聚类中心；

所述根据所述样本网络数据，确定初始聚类中心，包括：

将所述样本网络数据作为初始样本输入项，进行聚类迭代处理；其中，所述聚类迭代处理的过程包括：计算初始样本输入项的密度指标；将所述密度指标中最大数据对应的点作为子初始聚类中心，将所有所述子初始聚类中心从当前迭代的样本输入项中分离，得到下一次迭代的样本输入项；

当检测到所述聚类迭代处理过程中，当前子初始聚类中心密度指标与第一个子初始聚类中心的密度指标的比值在预设值内时停止迭代；

将所述聚类迭代处理中的所有所述子初始聚类中心组合为所述初始聚类中心。

6.根据权利要求4所述基于工控异常检测的RBF改进方法，其特征在于，所述根据所述聚类中心确定所述隐节点的扩展常数，包括：

计算多个所述聚类中心的距离；

根据所述聚类中心的距离，确定所述扩展常数。

7.根据权利要求1所述基于工控异常检测的RBF改进方法，其特征在于，所述根据初始权重值、所述聚类中心、所述扩展常数和预先设置的维度信息确定RBF迭代模型之前，还包括：

确定一组随机数作为所述初始权重值。

8.根据权利要求1所述基于工控异常检测的RBF改进方法，其特征在于，所述得到所述灰狼优化算法模型输出的优化结果之前，还包括：

将所述初始权重值作为所述灰狼优化算法模型中人工狼的初始位置向量。