[发明专利]一种无线传感网异常检测方法

权利要求书

1.一种无线传感网异常检测方法，其特征在于：包括以下步骤；

S1、传感器监测节点实时汇集来自各个传感器监测的数据，形成原始数据集x＝{x₁,x₂,...,x_i,...,x_n}，x_i∈Rⁿ,i＝1,2,...,n，x_i表示传感器采集的数据，并以无线通信的方式进行传输和存储；

S2、对传感器采集到的数据集进行数据预处理，所述数据预处理包括数据归一化处理、类不平衡处理以及训练数据集、检测数据集的划分，归一化处理后的数据集为X＝{X₁,X₂,...,X_i,...,X_n}；

S3：建立无线传感网异常检测模型，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C，将训练数据集作为数据输入，建立无线传感网异常检测模型；

S4：利用已经建立的无线传感网异常检测模型，将检测数据集作为模型的输入，根据模型的输出结果，判断检测数据集中正常数据和异常数据，完成无线传感网异常数据检测；无线传感网异常检测模型为模糊孪生支持向量机异常检测模型，建立该模型的步骤为：

S31)、为了避免无线传感网数据在低维空间不能线性可分的情况，引入核函数K(x,z)将低维空间的输入值映射到高维空间进行内积运算，从而实现非线性变换后的线性可分；

S32)、将训练数据集作为模糊孪生支持向量机异常检测模型训练输入数据集；

S33)、设置目标优化函数：其中，C为惩罚系数，ξ_i为松弛变量，w表示权重，b表示偏置，表示x_i对应的模糊孪生支持向量机异常检测模型输出；

S34)、引入拉格朗日函数将目标优化函数转换为对偶问题：

得到最优解

S35)、选择的一个分量满足计算：

S36)、得到分类决策函数：

S37)、惩罚系数C是求解目标优化函数的前提条件，利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C；利用自适应迭代寻优搜索模糊孪生支持向量机的惩罚系数C具体步骤为：

S38)、初始化寻优数据集M＝{(X₁,Y₁),(X₂,Y₂),...,(X_i,Y_i)},i＝1,2,...,L，其中L代表数据集M的大小，根据训练数据集的大小动态选择；数据集M中的数据(X_i,Y_i)包含两个特征，分别是当前位置(X_axisc,Y_axisc)和历史位置(X_axis,Y_axis)，它们的取值范围是[0,100]，初始化最大迭代次数max_gen，max_gen的取值与训练数据集的数据量呈反比；

S39)、将数据集M随机划分为三个子集groupA、groupB、groupC，分别执行本地目标搜索和全局目标搜索；目标搜索行进距离DS＝θ*((max_gen-k)/max_gen)^α,θ∈[5,10],α∈[2,6]，k是当前迭代次数，k＝1,2,...,max_gen；

S310)、各个子集搜索策略按照如下方式执行：

如果k＜max_gen/20，

groupA根据公式(1)执行本地目标搜索:

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(3)执行全局目标搜索：

如果k＞＝max_gen/20，

groupA根据公式(1)执行本地目标搜索：

groupB根据公式(2)执行全局目标搜索：

groupC根据公式(4)执行全局目标搜索：

RandomValue表示区间[5,20]范围内的随机数；

S311)、计算惩罚系数判定值S：计算数据集M中所有数据点与原点距离D，取距离D的和的倒数为惩罚系数判定值S，惩罚系数C＝M*S，M的取值根据C的定义域进行修正，对于数据集M中每一个数据点，都能确定一个当前迭代次数中惩罚系数C，

S312)、适应度函数计算：求出由每一个惩罚系数C所建立的异常检测模型的分类准确率accuracyi，

适应度函数Function(S_i)＝accuracy_i×η×S_i，

η是权值；

S313)、惩罚系数确定值计算：

根据的最大值找出表现最佳数据点，表现最佳数据点就是惩罚系数确定值；

S314)、表现最佳数据点处理：根据公式(5)计算出当前和历史迭代中表现最佳数据点的惩罚系数确定值和位置，和分别是当前迭代和历史迭代中表现最佳数据点的惩罚系数确定值；

如果大于将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为当前迭代中表现最佳数据点惩罚系数确定值和位置，

如果小于只更新当前迭代中表现最佳数据点的位置，

得到当前迭代和历史迭代表现最佳数据点的惩罚系数确定值以及位置，

S315)、为了平衡数据点的全局搜索能力和本地搜索能力，每个数据点位置利用公式(7)更新:

此时，(X_axis,Y_axis)和(X_axisc,Y_axisc)代表历史迭代和当前迭代表现最佳数据点的位置；

S316)、根据公式(5)计算出每个数据点的惩罚系数确定值，是步骤S315)搜索条件下最佳数据点的惩罚系数确定值，

如果大于将历史迭代中表现最佳数据点惩罚系数确定值和位置更新为步骤S315)搜索条件下表现最佳数据点惩罚系数确定值和位置，

如果小于只更新步骤S315)搜索条件下表现最佳数据点的位置；

S317)、选择作为当前迭代次数惩罚系数最终确定值，根据公式(5)的逆运算求出由确定的惩罚系数判定值S，由公式C＝M*S求出当前迭代次数中最终确定的惩罚系数C；

S318)异常检测模型的最优惩罚系数：所有迭代寻优执行结束，得到每次迭代确定的惩罚系数C。