多源异构数据的异常检测方法和系统

1.本发明涉及信息技术领域，特别是涉及多源异构数据的异常检测方法和系统。


背景技术：

2.光谱代表了光信号不同波段的强度分布，能够提供更多场景的有效特征。光谱能突破人眼的感知范围和感知分辨率，解决传统灰度/彩色成像中“同色异谱”问题。光谱结合了丰富的光谱和空间信息，可以更全面的、清晰的描述目标的特征，能准确的区分不同物质成分。因此，光谱被广泛的应用于航天遥感、生物医学、农业巡检和智能防伪等多领域。其中，高光谱异常检测是近年来热门的研究方向，旨在从观测的图像场景中发现并分离潜在的人造物体，这对遥感领域的防御和监视发展至关重要。
3.然而，由于异常检测是在先验条件未知或不足情况下进行，数据采样过程时常伴随其他传感器的影响，这种异常值的引入会影响异常检测的准确率，不能为决策提供有效的帮助。目前的异常检测模型存在一些问题，处理对象通常是预处理后的高光谱数据，而不是从高光谱相机直接采集的数据。因此，在面对干扰时模型泛化能力较差，环境适应性差，未能通过一个通用的检测模型去探究多源异构数据融合中的异常值，进而可靠的辅助决策。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本发明提出一种多源异构数据的异常检测方法，针对复杂感知环境下的多源异构数据，使用基于解耦表征的单源点识别方法，直接从多传感器耦合的多源异构感知测量值进行不确定性估计，并且有助于提升决策的可靠性。
6.本发明的另一个目的在于提出一种多源异构数据的异常检测系统。
7.为达上述目的，本发明一方面提出一种多源异构数据的异常检测方法，包括：对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征；利用预设的滑动窗口对所述背景分布特征进行预处理以得到特定时间序列上的背景图序列；基于所述背景分布特征中的目标大小在所述背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别所述自适应分块结果中每个分块的单源点；基于识别的所述单源点确定所述背景图序列中异常数据位置，并根据所述多源异构数据和移除异常数据的背景图序列的比较计算结果得到所述多源异构数据的异常数据位置。
8.另外，根据本发明上述实施例的多源异构数据的异常检测方法还可以具有以下附加的技术特征：进一步地，在本发明的一个实施例中，所述多源异构数据，包括导航信号、光谱立
方体、状态检测信号和雷达信号中的一种；所述数据拆分方法包括二元假设、低秩稀疏表示、多字典表示和多子空间表示中的一种；所述滑动窗口，包括一维序列截取窗口、二维平面单窗口及双窗口和三维立方体窗口中的一种；所述自适应分块，包括基于合成特征的自适应分块、基于图像二维熵自适应分块、基于空间形态学自适应分块、基于四叉树的自适应分块、基于超像素自适应分块、基于相对熵自适应分块以及基于特征聚类自适应分块中的一种；所述解耦表征方法包括盲源分离、深度自编码器、主成分分析法和生成对抗网络中的一种。
9.进一步地，在本发明的一个实施例中，所述通过解耦表征方法识别所述自适应分块结果中每个分块的单源点，包括：估计自适应分块结果中混合信号的混合矩阵，并根据所述混合信号和估计的混合矩阵通过时频变换分离出源信号以得到单源点；其中，通过聚类方法估计混合矩阵的列向量方向；所述聚类方法包括k均值聚类、层次聚类、霍夫变换、群体智能聚类、空间变换聚类以及密度峰值聚类中的一种；所述时频变换，包括短时傅立叶变换、小波变换、希尔伯特变换和维格纳-威利分布中的一种。
10.进一步地，在本发明的一个实施例中，述根据所述背景分布特征中的目标大小在所述背景图序列上进行自适应分块扫描得到自适应分块结果，包括：根据所述背景分布特征中的目标大小对背景图序列中每个序列中的图像进行预分块得到子图像块，并计算子图像块局部信息的合成特征指标；根据所述合成特征指标和图像采样率确定子图像块的自适应采样率；判断自适应采样率是否小于第一预设阈值，若否，输出自适应分块结果；若是，则进行自适应采样率修正。
11.进一步地，在本发明的一个实施例中，所述估计自适应分块结果中混合信号的混合矩阵，并根据所述混合信号和估计的混合矩阵通过时频变换分离出源信号以得到单源点，包括：将混合信号通过时频变换到时频域，并计算每个混合信号的瞬时频率估计器，以得到每个混合信号的同步压缩变换；基于所述同步压缩变换的频率箱的方差和能量得到最佳频率箱；移除所述最佳频率箱中低能量的时域系数，并对移除后的时域系数归一化处理，以识别单源点并构建单源点集合；计算所述单源点集合的局部密度，并将所述局部密度中小于第二预设阈值的单源点进行移除。
12.为达上述目的，本发明另一方面提出一种多源异构数据的异常检测系统，包括：数据拆分模块，用于对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征；数据处理模块，用于利用预设的滑动窗口对所述背景分布特征进行预处理以得到特定时间序列上的背景图序列；分块识别模块，用于基于所述背景分布特征中的目标大小在所述背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别所述自适应分块结果中每个分块的单源点；
异常确定模块，用于基于识别的所述单源点确定所述背景图序列中异常数据位置，并根据所述多源异构数据和移除异常数据的背景图序列的比较计算结果得到所述多源异构数据的异常数据位置。
13.本发明实施例的多源异构数据的异常检测方法和系统，直接从多传感器耦合的多源异构感知测量值进行不确定性估计，可以有效提升探测精度，并且有助于提升决策的可靠性。
14.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
15.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1是根据本发明实施例的多源异构数据的异常检测方法的流程图；图2是根据本发明实施例的滑动窗口设计示意图；图3是根据本发明实施例的自适应分块设计流程图；图4是根据本发明实施例的单源点识别设计流程图；图5是根据本发明实施例的多源异构数据的异常检测方法的总体框架图；图6是根据本发明实施例的多源异构数据的异常检测系统的结构示意图。
具体实施方式
16.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
17.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
18.下面参照附图描述根据本发明实施例提出的多源异构数据的异常检测方法和系统。
19.图1是本发明实施例的多源异构数据的异常检测方法的流程图。
20.如图1所示，该方法包括但不限于以下步骤：s1，对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征。
21.在本发明的一个实施例中，本发明在复杂感知环境下，从传感器采集多源异构数据。
22.其中，采集所使用的传感器包括但不限于光谱相机，导航传感器，状态检测仪以及雷达。
23.在本发明的一个实施例中，分别对采集的多源异构数据进行统计建模。
24.其中，采集得到的多源异构数据种类包括但不限于导航信号、光谱立方体、状态检
测信号、雷达探测信号；采集信号涉及一维序列、二维图像、三维光谱立方体或图像时间序列。
25.在本发明的一个实施例中，将采集的数据分布拆分为背景分布及异常分布。
26.其中，所使用的拆分方法包括但不限于二元假设、低秩稀疏表示、多字典表示以及多子空间表示。
27.s2，利用预设的滑动窗口对背景分布特征进行预处理以得到特定时间序列上的背景图序列。
28.在本发明的一个实施例中，根据不同的数据分布设计相应的滑动窗口，通过滑动窗口对背景分布进行滤波处理，得到特定时间序列上的背景图序列。
29.其中，滑动窗口设计方法包括但不限于一维序列截取窗口、二维平面单窗口及双窗口、三维立方体窗口。
30.具体地，根据领域平均法的思想，在光谱目标点i的左右两端各取m个点，并对总共2m+1个点进行求平均，其结果赋值给i点，并依次从左至右，从上至下滑动，逐个求得窗口平均值。如图2所示。
31.s3，基于背景分布特征中的目标大小在背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别自适应分块结果中每个分块的单源点。
32.在本发明的一个实施例中，基于背景分布特征中的目标大小在背景图序列上进行自适应分块扫描。
33.可以理解的是，该目标是背景分布特征中可能蕴含的目标，比如飞机场场景中的飞机可以认为是目标，道路交通中的车辆可以认为是目标，在此不做限定。
34.可以理解的是，分块方法不同于常见的矩形分块方法，而是根据目标特征的多样性进行分块，可减少背景的干扰并提高环境适应性。
35.其中，分块方法包括但不限于基于合成特征的自适应分块、基于图像2维熵自适应分块、基于空间形态学自适应分块、基于四叉树的自适应分块、基于超像素自适应分块、基于相对熵自适应分块以及基于特征聚类自适应分块。
36.图3是本发明自适应分块设计示意图，如图3所示，具体地，1）根据背景分布特征中的目标大小对背景图序列中每个序列中的图像进行预分块得到子图像块，并计算子图像块局部信息的合成特征指标；2）根据合成特征指标和图像采样率确定子图像块的自适应采样率；3）判断自适应采样率是否小于第一预设阈值，若否，输出自适应分块结果；若是，则进行自适应采样率修正。其中，第一预设阈值，可以根据实际需求设定，本发明实施例不做具体限定。该自适应分块设计步骤具体包括：1）对背景图序列中每个序列中的图像进行预分块得到子图像，计算子图像块局部信息的合成特征指标；其中是合成特征指标，和分别表示第个子图像块的局部显著因子和方差,和表示图像块局部 显著因子和方差的加权因子,表示合成特征调节系数,表
示子图像块中第个元素所在局部最佳领域内元素个数。
37.2）根据合成特征指标和图像采样率为子图像块设置自适应采样率；3）判别子图像块自适应采样率是否存在小于阈值情况，若不存在则直接输出自适应分块结果，若存在则进行采样率修正，直至子图像块自适应采样率不存在小于阈值情况，并输出自适应分块结果。采样率修正方法如下：进一步地，在每个分块通过盲源分离识别单源点，估算出融合数据中的异常值。盲源分离能够在未知信道和未知源数等混合特征情况下，仅从观察的混合数据中辨别出单源点。
38.示例性地，盲源分离问题通常通过两步法解决，即第一步先对混合矩阵估计，第二步再根据混合信号和估计的混合矩阵分离出源信号。
39.其中，在第一步混合矩阵估计中，为快速准确的估计混合矩阵的列向量方向，有效聚类的保留是关键。该设计方法包括但不限于k均值聚类、层次聚类、霍夫变换、群体智能聚类、空间变换聚类以及密度峰值聚类。
40.其中，在第二步分离源信号中，为提高数据稀疏性及可分离性，通常将信号转变到时频变换域，其中所述时频变换包括但不限于短时傅立叶变换、小波变换、希尔伯特变换、维格纳-威利分布以及各种改进的时频变换。
41.图4是本发明单源点识别设计示意图，如图4所示，具体地，1）将混合信号通过时频变换到时频域，并计算每个混合信号的瞬时频率估计器，以得到每个混合信号的同步压缩变换；2）基于同步压缩变换的频率箱的方差和能量得到最佳频率箱；3）移除最佳频率箱中低能量的时域系数，并对移除后的时域系数归一化处理，以识别单源点并构建单源点集合；4）计算单源点集合的局部密度，并将局部密度中小于第二预设阈值的单源点进行移除。其中，第二预设阈值可以根据实际需求设定，本发明实施例不做具体限定。
42.1）估计混合矩阵：将输入的混合信号通过时频变换变换到时频域，计算每个混合信号的瞬时频率估计器，获得每个混合信号的同步压缩变换；；其中是关于的偏导数，是用于不稳定的阈值；2）识别单源点：得到的频率箱的方差和能量，降序排列，选取前和前的频率箱，取并集得到；
3）在选择的频率箱中移除低能量时域系数，对时域系数归一化，识别单源点并构成单源点集合：其中是剩余时频系数组成的矩阵；4）对单源点集合计算局部密度，并将局部密度过小的单源点进行移除。
43.s4，基于识别的单源点确定背景图序列中异常数据位置，并根据多源异构数据和移除异常数据的背景图序列的比较计算结果得到多源异构数据的异常数据位置。
44.具体地，基于识别的单源点估算出融合数据中的异常值，确定背景图序列中异常数据位置并移除，将原始多源异构数据与移除异常数据的背景图进行求差运算，以获得多源异构数据的异常位置。
45.本发明在实际应用时，可以将轻量化的数据采集器安装在无人机，卫星和军用飞机等载重有限的设备上，并在该设备上对耦合的测量值进行初步处理，传回地面端，再输入相应的探测模型中，进行多源异构数据融合的异常的智能感知。这样可以有效提升探测精度，有助于提升决策的可靠性。
46.图5为本发明的总体架构图，如图5所示，从传感器采集多源异构数据，分别对采集数据进行统计建模，将采集数据分布拆分为背景分布及异常分布；根据数据特征设计滑动窗口对背景分布进行滤波处理，得到特定时间序列上的背景图序列；在背景图序列上根据目标大小进行自适应分块扫描，在每个分块通过解耦表征方法识别单源点，以此估算出融合数据中的潜在不确定性；确定背景中异常数据位置并移除，将原始图与移除异常数据的背景图进行求差运算，获得数据的异常位置。
47.根据本发明实施例的多源异构数据的异常检测方法，将针对复杂感知环境下的多源异构数据，使用基于解耦表征的单源点识别方法，直接从多传感器耦合的多源异构感知测量值进行不确定性估计，可以有效提升探测精度，并有助于提升决策的可靠性。
48.为了实现上述实施例，如图6所示，本实施例中还提供了多源异构数据的异常检测系统10，该系统10包括，数据拆分模块100、数据处理模块200、分块识别模块300和异常确定模块400。
49.数据拆分模块100，用于对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征；数据处理模块200，用于利用预设的滑动窗口对背景分布特征进行预处理以得到特定时间序列上的背景图序列；分块识别模块300，用于基于背景分布特征中的目标大小在背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别自适应分块结果中每个分块的单源点；异常确定模块400，用于基于识别的单源点确定背景图序列中异常数据位置，并根据多源异构数据和移除异常数据的背景图序列的比较计算结果得到多源异构数据的异常数据位置。
50.进一步地，多源异构数据，包括导航信号、光谱立方体、状态检测信号和雷达信号中的一种；数据拆分方法包括二元假设、低秩稀疏表示、多字典表示和多子空间表示中的一种；滑动窗口，包括一维序列截取窗口、二维平面单窗口及双窗口和三维立方体窗口中的一种；所述自适应分块，包括基于合成特征的自适应分块、基于图像二维熵自适应分块、基于空间形态学自适应分块、基于四叉树的自适应分块、基于超像素自适应分块、基于相对熵自适应分块以及基于特征聚类自适应分块中的一种；所述解耦表征方法包括盲源分离、深度自编码器、主成分分析法和生成对抗网络中的一种。
51.进一步地，上述分块识别模块300，还用于：估计自适应分块结果中混合信号的混合矩阵，并根据混合信号和估计的混合矩阵通过时频变换分离出源信号以得到单源点；其中，通过聚类方法估计混合矩阵的列向量方向；聚类方法包括k均值聚类、层次聚类、霍夫变换、群体智能聚类、空间变换聚类以及密度峰值聚类中的一种；时频变换，包括短时傅立叶变换、小波变换、希尔伯特变换和维格纳-威利分布中的一种。
52.进一步地，上述分块识别模块300，还用于：根据背景分布特征中的目标大小对背景图序列中每个序列中的图像进行预分块得到子图像块，并计算子图像块局部信息的合成特征指标；根据合成特征指标和图像采样率确定子图像块的自适应采样率；判断自适应采样率是否小于第一预设阈值，若否，输出自适应分块结果；若是，则进行自适应采样率修正。
53.进一步地，述分块识别模块300，还用于：将混合信号通过时频变换到时频域，并计算每个混合信号的瞬时频率估计器，以得到每个混合信号的同步压缩变换；基于同步压缩变换的频率箱的方差和能量得到最佳频率箱；移除最佳频率箱中低能量的时域系数，并对移除后的时域系数归一化处理，以识别单源点并构建单源点集合；计算单源点集合的局部密度，并将局部密度中小于第二预设阈值的单源点进行移除。
54.根据本发明实施例的多源异构数据的异常检测系统，将针对复杂感知环境下的多源异构数据，使用基于解耦表征的单源点识别方法，直接从多传感器耦合的多源异构感知测量值进行不确定性估计，可以有效提升探测精度，并有助于提升决策的可靠性。
55.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
56.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者
隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

技术特征：
1.一种多源异构数据的异常检测方法，其特征在于，包括以下步骤：对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征；利用预设的滑动窗口对所述背景分布特征进行预处理以得到特定时间序列上的背景图序列；基于所述背景分布特征中的目标大小在所述背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别所述自适应分块结果中每个分块的单源点；基于识别的所述单源点确定所述背景图序列中异常数据位置，并根据所述多源异构数据和移除异常数据的背景图序列的比较计算结果得到所述多源异构数据的异常数据位置。2.根据权利要求1所述的方法，其特征在于，所述多源异构数据，包括导航信号、光谱立方体、状态检测信号和雷达信号中的一种；所述数据拆分方法包括二元假设、低秩稀疏表示、多字典表示和多子空间表示中的一种；所述滑动窗口，包括一维序列截取窗口、二维平面单窗口及双窗口和三维立方体窗口中的一种；所述自适应分块，包括基于合成特征的自适应分块、基于图像二维熵自适应分块、基于空间形态学自适应分块、基于四叉树的自适应分块、基于超像素自适应分块、基于相对熵自适应分块以及基于特征聚类自适应分块中的一种；所述解耦表征方法包括盲源分离、深度自编码器、主成分分析法和生成对抗网络中的一种。3.根据权利要求1所述的方法，其特征在于，所述通过解耦表征方法识别所述自适应分块结果中每个分块的单源点，包括：估计自适应分块结果中混合信号的混合矩阵，并根据所述混合信号和估计的混合矩阵通过时频变换分离出源信号以得到单源点；其中，通过聚类方法估计混合矩阵的列向量方向；所述聚类方法包括k均值聚类、层次聚类、霍夫变换、群体智能聚类、空间变换聚类以及密度峰值聚类中的一种；所述时频变换，包括短时傅立叶变换、小波变换、希尔伯特变换和维格纳-威利分布中的一种。4.根据权利要求2所述的方法，其特征在于，所述根据所述背景分布特征中的目标大小在所述背景图序列上进行自适应分块扫描得到自适应分块结果，包括：根据所述背景分布特征中的目标大小对背景图序列中每个序列中的图像进行预分块得到子图像块，并计算子图像块局部信息的合成特征指标；根据所述合成特征指标和图像采样率确定子图像块的自适应采样率；判断自适应采样率是否小于第一预设阈值，若否，输出自适应分块结果；若是，则进行自适应采样率修正。5.根据权利要求3所述的方法，其特征在于，所述估计自适应分块结果中混合信号的混合矩阵，并根据所述混合信号和估计的混合矩阵通过时频变换分离出源信号以得到单源点，包括：将混合信号通过时频变换到时频域，并计算每个混合信号的瞬时频率估计器，以得到每个混合信号的同步压缩变换；基于所述同步压缩变换的频率箱的方差和能量得到最佳频率箱；移除所述最佳频率箱中低能量的时域系数，并对移除后的时域系数归一化处理，以识别单源点并构建单源点集合；
计算所述单源点集合的局部密度，并将所述局部密度中小于第二预设阈值的单源点进行移除。6.一种多源异构数据的异常检测系统，其特征在于，包括：数据拆分模块，用于对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征；数据处理模块，用于利用预设的滑动窗口对所述背景分布特征进行预处理以得到特定时间序列上的背景图序列；分块识别模块，用于基于所述背景分布特征中的目标大小在所述背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别所述自适应分块结果中每个分块的单源点；异常确定模块，用于基于识别的所述单源点确定所述背景图序列中异常数据位置，并根据所述多源异构数据和移除异常数据的背景图序列的比较计算结果得到所述多源异构数据的异常数据位置。7.根据权利要求6所述的系统，其特征在于，所述多源异构数据，包括导航信号、光谱立方体、状态检测信号和雷达信号中的一种；所述数据拆分方法包括二元假设、低秩稀疏表示、多字典表示和多子空间表示中的一种；所述滑动窗口，包括一维序列截取窗口、二维平面单窗口及双窗口和三维立方体窗口中的一种；所述自适应分块，包括基于合成特征的自适应分块、基于图像二维熵自适应分块、基于空间形态学自适应分块、基于四叉树的自适应分块、基于超像素自适应分块、基于相对熵自适应分块以及基于特征聚类自适应分块中的一种；所述解耦表征方法包括盲源分离、深度自编码器、主成分分析法和生成对抗网络中的一种。8.根据权利要求6所述的系统，其特征在于，所述分块识别模块，还用于：估计自适应分块结果中混合信号的混合矩阵，并根据所述混合信号和估计的混合矩阵通过时频变换分离出源信号以得到单源点；其中，通过聚类方法估计混合矩阵的列向量方向；所述聚类方法包括k均值聚类、层次聚类、霍夫变换、群体智能聚类、空间变换聚类以及密度峰值聚类中的一种；所述时频变换，包括短时傅立叶变换、小波变换、希尔伯特变换和维格纳-威利分布中的一种。9.根据权利要求7所述的系统，其特征在于，所述分块识别模块，还用于：根据所述背景分布特征中的目标大小对背景图序列中每个序列中的图像进行预分块得到子图像块，并计算子图像块局部信息的合成特征指标；根据所述合成特征指标和图像采样率确定子图像块的自适应采样率；判断自适应采样率是否小于第一预设阈值，若否，输出自适应分块结果；若是，则进行自适应采样率修正。10.根据权利要求8所述的系统，其特征在于，所述分块识别模块，还用于：将混合信号通过时频变换到时频域，并计算每个混合信号的瞬时频率估计器，以得到每个混合信号的同步压缩变换；基于所述同步压缩变换的频率箱的方差和能量得到最佳频率箱；移除所述最佳频率箱中低能量的时域系数，并对移除后的时域系数归一化处理，以识别单源点并构建单源点集合；
计算所述单源点集合的局部密度，并将所述局部密度中小于第二预设阈值的单源点进行移除。

技术总结
本发明涉及信息技术领域，本发明公开了多源异构数据的异常检测方法和系统，该方法包括对多源异构数据进行统计建模并通过数据拆分方法得到多源异构数据分布的背景分布特征；利用预设的滑动窗口对背景分布特征进行预处理以得到特定时间序列上的背景图序列；基于背景分布特征中的目标大小在背景图序列上进行自适应分块得到自适应分块结果，并通过解耦表征方法识别自适应分块结果中每个分块的单源点；基于识别的单源点确定背景图序列中异常数据位置，并根据多源异构数据和移除异常数据的背景图序列的比较计算结果得到多源异构数据的异常数据位置。本发明可以直接从传感器耦合的多源异构感知测量值进行不确定性估计，高效的进行异常检测。进行异常检测。进行异常检测。


技术研发人员：边丽蘅 刘思田 朱春丽 闫军 秦同 郭鹏宇
受保护的技术使用者：北京理工大学
技术研发日：2023.08.21
技术公布日：2023/9/23