关键词:
异常识别
张量分解
非线性导航数据
奇异值分解
孤立树
摘要:
为了提高导航大数据的精度,需要识别其中存在的异常数据。为了提升非线性导航大数据异常识别精度和效率,提出了基于张量分解的非线性导航大数据异常识别方法。首先,对非线性导航大数据进行张量分解,采用滑动矩形窗划分数据获得若干个时窗段,然后引入db4小波多尺度分解各窗内数据,获得尺度不同的小波系数,并利用重构小波系数张量代替缺失数据,完成数据缺失值填补,提高数据完整度;其次,将互信息作为度量标准,建立数据的互信息矩阵,对互信息矩阵中的元素展开规范化和中心化处理,通过奇异值分解获得数据特征;再次,引入随机矩阵理论对特征展开优化选择,计算导航大数据特征的重要度,获得高精度的数据特征;最后,建立孤立树,通过孤立树给出数据特征的异常得分,以此完成非线性导航大数据的异常识别。实验结果表明,所提方法的缺失值填补精度保持在0.9以上,特征提取覆盖率达到86.3%,特征冗余度低于6.12%,异常识别精度G-mean值高于60%,识别时间低于8 s,有效提升了非线性导航大数据的特征提取精度、识别精度及识别效率。