[发明专利]一种高维数据流异常监控方法及系统

权利要求书

1.一种高维数据流异常监控方法，其特征在于，包括以下步骤：

S110、获取高维数据流Z_t∈{0,1}，按照类别信息对所述高维数据流进行划分获得原始特征集合S＝{1,2,K,p}；

S120、根据所述原始特征集合对支持向量机SVM分类器进行训练，得到支持向量机SVM分类器的最优分类超平面函数；

S130、利用所述最优分类超平面函数计算每个特征的得分，并进行排序获得特征排序集，不断删除得分最小的特征以及对所述特征排序集进行更新，利用剩余的特征再次训练支持向量机SVM分类器，直到所有特征均被筛选，结束循环、输出最终的特征排序集；

S140、保留所述最终的特征排序集中重要性排名靠前的k个特征，将所述k个特征对应的训练样本组成数据集Y；以及

S150、根据所述数据集Y计算出漂移δ的一个无偏估计量并且将所述数据集Y和无偏估计量分别代入WACMCUSUM图和WAPMCUSUM图，计算过程控制统计量和控制限，最终完成控制图的绘制，当所述统计量大于所述控制限时，所述控制图启动失控信号。

2.根据权利要求1所述的高维数据流异常监控方法，其特征在于，还包括给定其中，x_i∈R^d是预测变量，y_i∈{0,1}是一列类变量，N是样本数，d是样本特征数，在步骤S120中，所述支持向量机SVM分类器的最优分类超平面函数通过公式(1)求解获得：

其中，||·||是欧几里德范数，ξ_i是松弛变量，c是用户指定的正惩罚因子，用于控制分类错误和间隔大小两者的权重，ω是正交于分类超平面的d维法向量，决定了超平面的方向，b是偏差项，决定了超平面与原点之间的距离，获得的高维数据流当X_t处于稳态过程时Z_t＝0；当X_t处于失控过程时Z_t＝1，将X_t和Z_t代入公式(1)中，求解公式得到ω。

3.根据权利要求2所述的高维数据流异常监控方法，其特征在于，将对偶问题考虑为二次规划问题对公式(1)进行求解：

其中，α_i为拉格朗日乘子，α_i≠0对应的输入数据x_i对决策函数起主要作用，称为支持向量SVs；是支持向量机SVM分类器使用的核函数，代表输入特征之间特殊的相似性；

所述核函数的表达式为：

其中，σ²为扩散参数，决定支持向量机SVM分类器的性能。

4.根据权利要求2所述的高维数据流异常监控方法，其特征在于，在步骤S130中，利用所述最优分类超平面函数计算每个特征的得分，所述得分公式为：

其中，ω_i是正交于分类超平面的d维法向量。

5.根据权利要求1所述的高维数据流异常监控方法，其特征在于，在步骤S150中，根据所述数据集Y计算出漂移δ的一个无偏估计量运用的公式为：

其中，μ₀是稳态过程的均值向量，δ_min是需要保护的漂移δ的最小值，k是特征排序集中重要性排名靠前的特征个数。

6.根据权利要求1所述的高维数据流异常监控方法，其特征在于，在步骤S150中，将所述数据集Y和所述无偏估计量代入WACMCUSUM图计算过程控制统计量和控制限运用了以下公式：

其中，A₀＝0，令e_t为WACMCUSUM图的统计量，根据蒙特卡洛模拟计算控制限H，当e_t＞H时，控制图启动失控信号。