【正文】 述，通過(guò)計(jì)算數(shù)據(jù)對(duì)象與這個(gè)模型的偏離程度來(lái)發(fā)現(xiàn)異常。這些算法適用于靜態(tài)環(huán)境下的數(shù)據(jù)庫(kù)，但在工程應(yīng)用領(lǐng)域，大部分?jǐn)?shù)據(jù)庫(kù)中的數(shù)據(jù)是隨時(shí)間動(dòng)態(tài)增加的，新增加的數(shù)據(jù)可能會(huì)影響某些對(duì)象的局部異常程度，因此在二次挖掘時(shí)，需重新計(jì)算所有數(shù)據(jù)對(duì)象的局部異常因子，計(jì)算時(shí)間復(fù)雜度較高，所以這些算法在動(dòng)態(tài)環(huán)境中不易實(shí)現(xiàn)。由于傳感器安裝環(huán)境的不穩(wěn)定和數(shù)據(jù)轉(zhuǎn)換過(guò)程摻雜少量的噪聲數(shù)據(jù)等各方面因素的影響，得到的數(shù)據(jù)會(huì)受到一定干擾，影響了最終數(shù)據(jù)的準(zhǔn)確性。順序數(shù)據(jù)的數(shù)據(jù)實(shí)例之間有一定的先后次序，其典型實(shí)例包括時(shí)間序列數(shù)據(jù)、基因組序列和蛋白質(zhì)序列等。利用訓(xùn)練數(shù)據(jù)集構(gòu)造一個(gè)預(yù)測(cè)模型，把標(biāo)記未知的數(shù)據(jù)實(shí)例輸入該模型，根據(jù)模型輸出判斷該數(shù)據(jù)實(shí)例是否能屬于正常分類，不屬于任何正常分類的數(shù)據(jù)實(shí)例一律標(biāo)記為異常。神經(jīng)網(wǎng)絡(luò)方法雖然能較好地發(fā)現(xiàn)異常，但是神經(jīng)網(wǎng)絡(luò)對(duì)模型參數(shù)的設(shè)定具有很強(qiáng)的依賴性，且這些參數(shù)會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生較大影響。在異常檢測(cè)領(lǐng)域，聚簇技術(shù)被用于無(wú)監(jiān)督檢測(cè)和半監(jiān)督檢測(cè)。(7)基于偏差的異常檢測(cè)Argrawal 和 Ragaran(KDD 1995)提出一種“序列異?！?sequential exception)的概念。在實(shí)際工程應(yīng)用領(lǐng)域，通常意義上是這樣一種數(shù)據(jù)庫(kù)，它里面含有的數(shù)據(jù)量是隨著時(shí)間的增長(zhǎng)而動(dòng)態(tài)增加的，如一般的數(shù)據(jù)采集系統(tǒng)、在線數(shù)據(jù)監(jiān)測(cè)系統(tǒng)等。該濾波方法極大減小了由于異常點(diǎn)參與運(yùn)算而導(dǎo)致的濾波結(jié)果偏離真值的影響，但是同樣會(huì)改變?cè)紨?shù)據(jù)。異常數(shù)據(jù)存在對(duì)軟計(jì)算建模的影響，軟計(jì)算建模方法對(duì)于系統(tǒng)數(shù)據(jù)變化有較強(qiáng)的適應(yīng)能力，但這都是建立在系統(tǒng)數(shù)據(jù)比較清潔的基礎(chǔ)上的。因而，簡(jiǎn)單地將異常數(shù)據(jù)排除掉可能會(huì)丟失有用的信息，導(dǎo)致數(shù)據(jù)分析的結(jié)果不精確或不正確。在解決這兩方面問(wèn)題時(shí)，需要同時(shí)考慮無(wú)線傳感器網(wǎng)絡(luò)的各種設(shè)計(jì)約束，特別是能量限制。一類：由于自然界的強(qiáng)干擾產(chǎn)生的，如雷電。根據(jù)傳感器應(yīng)用的對(duì)象、測(cè)量的范圍、周圍的環(huán)境的不同，需要使用的傳感器大不相同。鄰域類型可以根據(jù)研究或者應(yīng)用需要選擇方形、一字形、十字形、形等，鄰域大小一般可以選擇 33，55。異常檢測(cè)技術(shù)的關(guān)鍵構(gòu)成包括學(xué)科領(lǐng)域、應(yīng)用領(lǐng)域、問(wèn)題特征和異常檢測(cè)算法。如果用D表示數(shù)據(jù)集，C(D)表示D的嫡值，基本的異常檢測(cè)思路是:設(shè)法找到D的一個(gè)最小子集I，使得C(D)C(DI)最大，則子集I中的數(shù)據(jù)就是異常數(shù)據(jù)實(shí)例。最常用的為基于局部異常因子（Local Outlier Factor）的異常數(shù)據(jù)檢測(cè)算法，自從LOF這個(gè)局部異常數(shù)據(jù)檢測(cè)方法被提出以后，相繼出現(xiàn)了許多度量異常程度的方法，比較經(jīng)典的有COF、MDEF、SLOM等。按照訓(xùn)練樣本有標(biāo)記種類個(gè)數(shù)的不同，基于分類的方法分為有監(jiān)督的方法和半監(jiān)督的方法。根據(jù)數(shù)據(jù)實(shí)例被標(biāo)記的情況，異常數(shù)據(jù)檢測(cè)技術(shù)可分為以下三類:有監(jiān)督(supervised)異常檢測(cè)，半監(jiān)督(semisupervised)異常檢測(cè)和無(wú)監(jiān)督(unsupervised)異常檢測(cè)。每個(gè)數(shù)據(jù)實(shí)例用一個(gè)或若干個(gè)屬性及其取值來(lái)描述，每個(gè)屬性的取值可能為二進(jìn)制、分類或連續(xù)變量的形式。(3) 風(fēng)機(jī)基礎(chǔ)監(jiān)測(cè)異常數(shù)據(jù)的檢測(cè)和修正。田江在一類支持向量機(jī)的基礎(chǔ)上，設(shè)計(jì)了一種“孤立點(diǎn)——類支持向量機(jī)”算法，該算法是一種無(wú)監(jiān)督的異常數(shù)據(jù)檢測(cè)算法，通過(guò)設(shè)定不同的權(quán)值，將基于超平面距離定義的異常數(shù)據(jù)的異常程度和基于概率大小定義的異常程度相結(jié)合，通過(guò)在特征空間劃分距離可疑異常數(shù)據(jù)的最大間隔超平面來(lái)發(fā)現(xiàn)異常。其中研究較多的如小波分析、數(shù)據(jù)挖掘、數(shù)據(jù)流理論等?，F(xiàn)有的監(jiān)測(cè)技術(shù)需要通過(guò)設(shè)置在風(fēng)機(jī)基礎(chǔ)中的數(shù)據(jù)采集系統(tǒng)自動(dòng)獲取基礎(chǔ)的各狀態(tài)的大量參數(shù)，如應(yīng)力、應(yīng)變、振動(dòng)、變形等，采集到的海量原始數(shù)據(jù)通過(guò)通信網(wǎng)絡(luò)傳輸?shù)奖O(jiān)控中心，經(jīng)過(guò)數(shù)據(jù)存儲(chǔ)，分析處理得到基礎(chǔ)的安全運(yùn)行狀況和維修決策等結(jié)論。異常數(shù)據(jù)往往代表一種偏差或者新模式的開(kāi)始，因此對(duì)異常數(shù)據(jù)的識(shí)別有時(shí)會(huì)比正常數(shù)據(jù)更有價(jià)值。Arning等人提出了基于偏離的方法，這種方法認(rèn)為：某個(gè)數(shù)據(jù)對(duì)象在數(shù)據(jù)集中的特征明顯“偏離”數(shù)據(jù)集中的其它數(shù)據(jù)時(shí)，這樣的數(shù)據(jù)被認(rèn)為是異常數(shù)據(jù)。本研究實(shí)現(xiàn)了異常數(shù)據(jù)在線檢測(cè)與修正，與傳統(tǒng)的異常數(shù)據(jù)識(shí)別方法相比，具有更快的計(jì)算時(shí)間和更高的還原精度，能夠滿足數(shù)據(jù)的在線異常檢測(cè)與修正要求(2)實(shí)時(shí)發(fā)現(xiàn)異常狀況并采取必要處理措施。排序算法一般采用“冒泡排序法”或“快速排序法”等。點(diǎn)異常是最簡(jiǎn)單的一類異常，也是與異常檢測(cè)相關(guān)的文獻(xiàn)中討論最多的一類異常。后一類算法直接把每一個(gè)數(shù)據(jù)對(duì)象標(biāo)記為正常或異常，不需要領(lǐng)域?qū)＜业闹苯訁⑴c?；诰嚯x的方法克服了基于分布的方法事先要知道數(shù)據(jù)集分布，依賴統(tǒng)計(jì)檢驗(yàn)的缺點(diǎn)，其實(shí)質(zhì)是將異常數(shù)據(jù)對(duì)象看作是在閾值d內(nèi)其鄰居比較稀疏的對(duì)象。異常檢測(cè)的基本思路是:首先利用訓(xùn)練數(shù)據(jù)集和領(lǐng)域知識(shí)構(gòu)造隨機(jī)模型，然后檢測(cè)測(cè)試數(shù)據(jù)集中的數(shù)據(jù)對(duì)象是否有比較高的概率由該隨機(jī)模型生成。基于偏差的方法中，序列異常檢測(cè)算法提出的序列異常的概念并沒(méi)有得到普遍的認(rèn)同，序列異常在概念上仍然有一定缺陷，遺漏了不少的異常數(shù)據(jù)。目前，針對(duì)異常數(shù)據(jù)檢測(cè)問(wèn)題已經(jīng)提出過(guò)很多種方法，包括基于統(tǒng)計(jì)學(xué)的方法、基于最近鄰居的方法、基于分簇的方法、基于聚類的方法等。目前，有關(guān)無(wú)模型控制國(guó)內(nèi)外已有一些標(biāo)志性的方法，例如，無(wú)模型自適應(yīng)控制( Model－Free Adaptive Control，MFAC)、迭代反饋整定( Iterative Feedback Tuning，IFT )、迭代學(xué)習(xí)控制 ( Iterative Learning Control，ILC) 等。對(duì)于原始采集數(shù)據(jù)，由于環(huán)境噪聲、儀器設(shè)備等原因，在長(zhǎng)時(shí)間的連續(xù)采集中不可避免的會(huì)出現(xiàn)異常數(shù)據(jù)，因此監(jiān)測(cè)數(shù)據(jù)處理流程的第一步就是進(jìn)行數(shù)據(jù)可靠性檢驗(yàn)，分析數(shù)據(jù)異常原因，將可靠數(shù)據(jù)與異常數(shù)據(jù)分開(kāi)保存。把傳感器、信號(hào)調(diào)節(jié)電路、單片機(jī)集成在一芯片上可形成超大規(guī)模集成化的高級(jí)智能傳感器。無(wú)線傳感器網(wǎng)絡(luò)能根據(jù)環(huán)境自主完成指定任務(wù)的“智能”系統(tǒng)。時(shí)域分析具有直觀和準(zhǔn)確的優(yōu)點(diǎn)，可直接在時(shí)間域內(nèi)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行處理分析，能夠便利的表達(dá)數(shù)據(jù)變化趨勢(shì)以及特征值，比較適合例如應(yīng)力、應(yīng)變、位移等監(jiān)測(cè)數(shù)據(jù)的處理。理論證明、仿真研究和實(shí)際應(yīng)用均表明基于數(shù)據(jù)驅(qū)動(dòng)的無(wú)模型自適應(yīng)控制方法能夠處理非線性和時(shí)變線性系統(tǒng)的控制問(wèn)題。均值濾波及其改進(jìn)算法——基于鄰近去最值均值濾波的原理，其次根據(jù)時(shí)間的連續(xù)等差變化特性對(duì)時(shí)間參數(shù)進(jìn)行了檢測(cè)修正，采用基于鄰近去最值均值濾波方法對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行修正，最后利用實(shí)測(cè)數(shù)據(jù)進(jìn)行了驗(yàn)證。典型的上下文屬性包括空間位置信息、時(shí)間標(biāo)簽和鄰居節(jié)點(diǎn)之間的連通性信息等描述應(yīng)用上下文場(chǎng)景的屬性，而行為屬性則包括用來(lái)描述被觀測(cè)對(duì)象的主要特征的屬性，例如溫度、濕度和降雨量等。參數(shù)化檢測(cè)主要包括基于高斯模型和基于回歸模型的異常檢測(cè)，非參數(shù)化檢測(cè)主要包括基于直方圖和基于核函數(shù)的異常檢測(cè)?；诰嚯x的異常數(shù)據(jù)檢測(cè)方法的主要缺陷是時(shí)間復(fù)雜度較高且難以確定合適的參數(shù)k 與d。前面七類主要是針對(duì)點(diǎn)異常檢測(cè)做的歸納，但這些檢測(cè)算法也經(jīng)常適用于集合異常的檢測(cè)，最后一類是討論上下文異常的檢測(cè)。一個(gè)典型的例子就是野外環(huán)境的溫度監(jiān)控，溫度報(bào)警閡值的設(shè)定要根據(jù)當(dāng)前季節(jié)的大氣溫度變化范圍和一天中的時(shí)間確定。以前由于計(jì)算機(jī)的采樣速度和計(jì)算機(jī)速度較慢，處理周期較長(zhǎng)，所以一直沒(méi)有采用，隨著計(jì)算機(jī)運(yùn)算速度的提