-
公开(公告)号:CN106022368B
公开(公告)日:2019-04-05
申请号:CN201610325491.6
申请日:2016-05-17
申请人: 中国矿业大学
IPC分类号: G06K9/62
摘要: 一种基于增量核主成分分析的增量轨迹异常检测的方法,属于增量轨迹异常检测的方法。该方法:首先进行模型的初始化计算,使用传统的Batch KPCA进行初始核特征空间计算,每当有M条新增轨迹数据到来时,先对这M条轨迹数据进行标准化;然后使用Batch KPCA计算新增数据的核特征空间;分别计算新增数据和训练数据的平均重建误差,如果两者误差大于给定阀值,则执行后续的核特征空间分割‑合并方法,更新核特征空间;接着对更新后的核特征空间进行投影,提取出主分量;最后利用一类支持向量机进行无监督学习和异常检测。优点:该方法优于传统的核主成分分析方法,降低了计算复杂性,提高了轨迹异常检测的效率。
-
-
公开(公告)号:CN106022368A
公开(公告)日:2016-10-12
申请号:CN201610325491.6
申请日:2016-05-17
申请人: 中国矿业大学
IPC分类号: G06K9/62
CPC分类号: G06K9/6269 , G06K9/6256
摘要: 一种基于增量核主成分分析的增量轨迹异常检测的方法,属于增量轨迹异常检测的方法。该方法:首先进行模型的初始化计算,使用传统的Batch KPCA进行初始核特征空间计算,每当有M条新增轨迹数据到来时,先对这M条轨迹数据进行标准化;然后使用Batch KPCA计算新增数据的核特征空间;分别计算新增数据和训练数据的平均重建误差,如果两者误差大于给定阀值,则执行后续的核特征空间分割‑合并方法,更新核特征空间;接着对更新后的核特征空间进行投影,提取出主分量;最后利用一类支持向量机进行无监督学习和异常检测。优点:该方法优于传统的核主成分分析方法,降低了计算复杂性,提高了轨迹异常检测的效率。
-
-