基于改进SVDD算法的池塘水质数据流异常检测

作者：施珮; 匡亮; 唐玥; 袁永明; 余晓栋

来源：农业工程学报, 2021, 37(24): 249-256.

• 水产养殖
• 水质
• 数据流
• 密度补偿
• 支持向量数据描述

无线传感器网络获取的水质数据流具有高复杂性、非平稳性、非线性等特点，为了提高传感数据流的异常检测能力，保障水质监测数据流的有效性，该研究提出一种基于改进支持向量数据描述（SupportVectorDataDescription,SVDD）水质数据流异常检测方法。首先应用马氏距离改进Parzen-Window高斯窗函数，避免数据在分类过程中产生干扰。再利用改进的Parzen-Window获取训练数据的分布密度估计，并结合模糊隶属度函数，对传统SVDD算法进行密度补偿，构建改进的SVDD异常检测模型，从而降低有噪正常样本的干扰性，提高算法的分类精度。最后，选择密度补偿支持向量数据描述（Density Weighted Support Vector Data Description,D-SVDD）、传统SVDD和FastFood算法，在不同试验池塘的多个测试数据集中进行对比试验。结果表明，改进SVDD算法具有较高的检测性能，该算法在3口池塘的最高异常检测正确率TPR(True Positive Rate)值达到99.83%，最高检测准确率Accuracy达到99.83%，明显优于D-SVDD和传统SVDD算法，且最低运行时间仅1.34 s。结果可为水质数据流异常监测提供技术支持。

• 单位
  南京信息工程大学滨江学院; 中国水产科学研究院淡水渔业研究中心; 江苏信息职业技术学院