[发明专利]一种基于特征自降维标记的整车云测试数据在线封装方法

权利要求书

1.一种基于特征自降维标记的整车云测试数据在线封装方法，其特征是应用于由云服务器、客户端、测试终端所构成的整车云测试环境中，并按如下步骤进行：

步骤1、所述云服务器建立整车云测试数据的广义高阶瞬态数据矩阵：

利用所述测试终端获取由多源参数组成的整车测试数据并实时传输至所述云服务器；

所述云服务器实时截取Δt时间内的n组整车测试数据流并建立广义高阶瞬态数据矩阵X_t＝[x₁ x₂ … x_i … x_n]，其中，表示Δt时间内的第i组整车测试数据构成的空间参数向量，并由q个不同的测试参数组成，v_i表示Δt时间内第i组测试数据中的电压数据，c_i表示Δt时间内第i组测试数据中的电流数据，can_i表示Δt时间内第i组测试数据中的CAN总线数据，lin_i表示Δt时间内第i组测试数据中的LIN总线数据，f_i^p表示Δt时间内第i组测试数据中的第p个属性测试值，p∈[5,q]；

步骤2、所述云服务器构建特征自降维网络模型：

定义所述特征自降维网络模型由输入层、维度变换层、输出层构成；

定义标准空间参数向量集合为其中，N表示标准空间参数向量的个数，表示第j个标准空间参数向量，并由q个不同的标准测试参数组成，表示第j个标准空间参数向量中的标准电压数据，表示第j个标准空间参数向量中的标准电流数据，表示第j个标准空间参数向量中的标准CAN总线数据，表示第j个标准空间参数向量中的标准LIN总线数据，表示第j个标准空间参数向量中的第p个属性标准测试值；

定义第j个标准空间参数向量加入高斯白噪声后形成第j个输入样本向量并组成特征自降维网络模型的输入向量样本集合X＝{x_j|j＝1,2,…,N}，其中，x_j由q个不同的参数组成，v_j表示第j个输入样本向量中的带噪电压数据，c_j表示第j个标准空间参数向量中的带噪电流数据，can_j表示第j个输入样本向量中的带噪CAN总线数据，lin_j表示第j个输入样本向量中的带噪LIN总线数据，表示第j个输入样本向量中的第p个属性带噪测试值；

定义所述特征自降维网络模型输入层与维度变换层的连接函数为偏置函数b(Bx_j)，其中，B为q×q阶偏置矩阵；

定义所述特征自降维网络模型维度变换层的输入与自身输出之间的映射函数为特征重组函数其中，U为k×q阶特征重组矩阵，c为k维偏置向量，且k＜q，x′_j为维度变换层的第j个输入向量；

定义特征自降维网络模型输出层的输入与自身输出之间的映射函数为复现函数ψ(My_j+d)，其中，M为特征重组矩阵U的转置，d为q维偏置向量，y_j为维度变换层的第j个输出向量；

步骤3、所述云服务器训练特征自降维网络模型：

步骤3.1、初始化q×q阶偏置矩阵B；

步骤3.2、初始化k×q阶特征重组矩阵U、k维偏置向量c和q维偏置向量d；

步骤3.3、利用偏置函数b(Bx_j)对输入样本集合X中的每个样本向量x_j进行偏置，从而获得去噪样本集合X′＝{x′_j|j＝1,2,…,N}，其中，表示第j个去噪向量，即维度变换层的第j个输入向量，并由q个不同的参数组成，v′_j表示第j个去噪向量中的去噪电压数据，c′_j表示第j个去噪向量中的去噪电流数据，can′_j表示第j个去噪向量中的去噪CAN总线数据，lin′_j表示第j个去噪向量中的去噪LIN总线数据，表示第j个去噪向量中的第p个属性去噪测试值；

步骤3.4、利用特征重组函数对去噪样本集合X′中的每个去噪向量进行数据空间维度变换，从而获得低维特征向量集合Y＝{y_j|j＝1,2,…,N}，其中，y_j表示第j个低维特征向量，即维度变换层的第j个输出向量；

步骤3.5、利用复现函数ψ(My_j+d)对低维特征向量集合Y中的每个低维特征向量y_j进行重构，从而获得复现向量集合X″＝{x″_j|j＝1,2,…,N}，其中，x″＝(v″,c″,can″,lin″,f″⁵，…,f″^p,…,f″^q)^T表示第j个复现向量，并由q个不同的参数组成，v″_j表示第j个复现向量中的复现电压数据，c″_j表示第j个复现向量中的复现电流数据，can″_j表示第j个复现向量中的复现CAN总线数据，lin″_j表示第j个复现向量中的复现LIN总线数据，表示第j个复现向量中的第p个属性复现测试值；

步骤3.6、利用式(1)和式(2)分别计算降噪损失L(B)和特征重组代价C(U,c,d)；

步骤3.7、利用式(3)和式(4)分别构建损失目标函数和代价目标函数；

式(3)和式(4)中，和ε分别为损失目标精度和代价目标精度；“←”表示将右侧目标函数达到最优即最小值时的参数作为函数最优参数；

步骤3.8、利用输入向量样本集合X＝{x_j|j＝1,2,…,N}对所述损失目标函数和代价目标函数进行训练，若降噪损失L(B)和特征重组代价C(U,c,d)分别达到目标精度，则训练结束，输出最终的偏置函数b(B^*x_j)、特征重组函数和复现函数ψ(M^*y_j+d^*)，并得到训练好的特征自降维网络模型；否则，利用梯度下降法对偏置矩阵B、特征重组矩阵U和偏置向量c、d分别进行更新，并返回步骤3.3顺序执行；其中，B^*、U^*分别为最优偏置矩阵和最优特征重组矩阵，c^*、d^*为最优偏置向量；

步骤4、所述云服务器将q×n阶广义高阶瞬态数据矩阵X_t输入所述训练好的特征自降维网络模型，得到维度变换层的输出k×n阶数据特征矩阵Y_t＝[y₁ y₂ … y_i … y_n]，其中，y_i表示第i个输出特征向量；

步骤5、所述云服务器辨识异常数据并标记：

步骤5.1、将低阶数据特征矩阵Y_t按列归一化为Y′_t＝[y′₁ y′₂ … y′_i … y′_n]，其中y′_i表示第i个归一化向量，且与第i个输出特征向量对应；

步骤5.2、利用式(5)计算出归一化后的平均向量

步骤5.3、利用式(6)找出最可能导致异常的向量最大值y′_max和向量最小值y′_min；

步骤5.4、利用余弦相似性分别得到第i个归一化向量y′_i与向量最大值y′_max和向量最小值y′_min间的异常指数集合R^max＝{r_i^max|i＝1,2,…,n}、R^min＝{r_i^min|i＝1,2,…,n}，其中，r_i^max表示第i个归一化向量y′_i与向量最大值y′_max的余弦相似度，即最大异常指数，r_i^min表示第i个归一化向量y′_i与向量最小值y′_min的余弦相似度，即最小异常指数；

步骤5.5、设异常指数阈值为σ，第i个标记符号为e_i；若同时则表明低阶数据特征矩阵Y_t的第i个输出特征向量y_i异常，并令e_i＝-1，否则，表明低阶数据特征矩阵Y_t的第i个输出特征向量y_i正常，并令e_i＝0，其中σ∈(0.6,1)；

步骤6、所述云服务器将标记符号与对应的特征向量进行封装，构建具有标记特征的(k+1)×n阶的结构化数据包并通过网络输出给所述客户端或直接存储在所述云服务器上。