專利名稱：用于檢測傳感器采樣流中的變化的方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明總體上涉及利用傳感器對設(shè)備和環(huán)境進行監(jiān)測，更具體地說， 涉及檢測傳感器采樣中的變化。
背景技術(shù)：
傳感器數(shù)據(jù)
迄今為止，利用傳感器對設(shè)備和/或環(huán)境進行實時詳細監(jiān)測僅對于大 型的、昂貴的、對安全和任務(wù)要求嚴格的裝置是經(jīng)濟可行的。然而，計 算機技術(shù)的快速發(fā)展，更具體而言，低成本傳感器網(wǎng)絡(luò)、廉價無線通信 以及強大的嵌入式處理器的出現(xiàn)，使得能夠為諸如電動機、渦輪機、電
力開關(guān)設(shè)備、HVAC設(shè)備之類的更廉價設(shè)備，以及為諸如煉油、食品處 理、產(chǎn)品制造和大規(guī)模環(huán)境的范圍不斷擴展的工業(yè)處理來實現(xiàn)設(shè)備狀態(tài) 監(jiān)測(ECM)技術(shù)。
從傳感器網(wǎng)絡(luò)不斷地流動而導致的傳感器數(shù)據(jù)量的增長會很快地使 對這些數(shù)據(jù)執(zhí)行監(jiān)測任務(wù)的任何人類管理員難以承受。對快速并準確地 處理傳感器數(shù)據(jù)這一問題的唯一可行的解決方法是發(fā)展自動變化檢測 (ACD)方法。雖然這些自動方法并不太可能達到受過良好訓練的人類 管理員的能力和通用性，但是當自動方法被設(shè)計為用于尋找傳感器數(shù)據(jù) 流中的特定事件時，這些自動方法仍是十分有效和準確的。
這些事件中最重要的一個是傳感器數(shù)據(jù)中的突變。因為即使當產(chǎn)生 數(shù)據(jù)的處理中沒有發(fā)生變化時，除了最簡單的數(shù)據(jù)流以外所有的數(shù)據(jù)流 都會發(fā)生變化，因此對這種突變的檢測不是微不足道的問題。這可能由 例如當數(shù)據(jù)來自于動態(tài)系統(tǒng)時處理的自然變化性引起，或者由因測量錯 誤、隱藏的變量等導致的噪聲而引起。在這些情況下，進行統(tǒng)計學意義 上的突變檢測，即，該問題簡化為檢測變化前后的概率分布(從其對數(shù)據(jù)進行采樣)之間的差。在制造業(yè)的應(yīng)用中，該任務(wù)通常被稱為統(tǒng)計過
程控制(SPC)。在SPC中，目標是檢測從數(shù)據(jù)的受控分布到某些其它失
控分布的偏離。
CUSUM
當受控分布和失控分布具有已知的參數(shù)形式且相應(yīng)的參數(shù)已知時， 己經(jīng)證明累積和(CUSUM)過程是最優(yōu)的，參見Page的"Continuous Inspection Schemes", Biometrika 41 ， pp.l00-114， 1954禾口 Basseville等人 的"Detection of Abrupt Changes: Theory and Application," Englewood Cliffs， NJ: Prentice Hall，1993。
然而，對受控分別和所有可能的失控分布的顯式建模通常地是費力 和代價高的處理，甚至可能是難以處理的。因此，希望提供一種僅通過 檢查傳感器數(shù)據(jù)流并推斷它們的概率分布就能夠檢測任何變化的方法。
突變檢測
在當前時刻"來自傳感器采樣流的d維數(shù)據(jù)向量是x,。突變檢測的 問題是確定這種變化是發(fā)生在當前時刻f處還是當前時刻^之前。該問題 的一個重要假設(shè)是假設(shè)該變化是永久的，即，在該變化發(fā)生之后，所有 的后續(xù)讀數(shù)來自于新的分布。這是當變化是破壞性的(即設(shè)備故障)時 工業(yè)設(shè)備的典型情況。
假設(shè)變化之前的所有傳感器釆樣是從分布pO(x)采樣的獨立同分布 (i丄d)的隨機變量。類似地，假設(shè)變化之后的所有采樣是從分布pl(x) 采樣的i丄d變量。
對于已知分布Z7o(x)和A(x)時的情況，Page描述了對這兩個分布累積 當前采樣的對數(shù)似然度的CUSUM過程，并基于輔助變量&=&,做出 確定，其中
且
對于預定的閾值A(chǔ)，如果^>/2則宣稱已經(jīng)發(fā)生了變化。對于給定的 誤報率(false-positive rate)，可以證明該確定對使得檢測概率最大化是最優(yōu)的。
然而，CUSUM方法具有顯著的缺點分布A)(X)和A(X)都必須預先 已知。即使對于設(shè)計該設(shè)備的工程師而言，對工業(yè)設(shè)備的正常操作或環(huán) 境中的正常條件指定準確的概率分布po(x)也通常是困難的和費力的。對 失控情況指定所有可能的分布A(X)則是完全不可能的。而且，可能無法 得到這些分布的正確的參數(shù)形式。
CUSUM的這些限制刺激了對更多由數(shù)據(jù)驅(qū)動而不依賴于預定分布 的用于ACD的另選方法的大力研究。研究的一個重要方向是使用例如秩 統(tǒng)計量的非參數(shù)統(tǒng)計，參見Brodsky等人的"Nonparametric Methods in Change-Point Problems ， ，，Kl而er， 1991 。
機器學習
研究的另一條路線集中在基于機器學習的ACD方法上。對于機器學 習，基本思想是根據(jù)假設(shè)的變化點前后的采樣'學習'(擬合)兩個概率分 布，并隨后通常使用諸如Kullback-Leibler散度和Rinyi散度的信息論距 離測度來檢驗這兩個分布之間的差，參見Guha等人的"Streaming and sublinear approximation of entropy and information distances,"Proceedings of SODA，06,pp.733.742,ACMPress,2006。然而，這些方法存在很多問題。
第一個問題是根據(jù)采樣來學習這兩個分布。當已知這兩個分布是高 斯分布時，能夠確定兩個子窗的釆樣均值和方差，并能夠使用Student's t 統(tǒng)計來比較這兩個分布，參見Gosset的"The probable error of the mean," Biometrika,1908。
重要得多的一種情況是當所述分布的兩個概率密度函數(shù)(pdf)不是 高斯分布時的情況。例如，當所述分布是由于系統(tǒng)在多個不同的模式之 間切換而引起的多模態(tài)(multi-modal)的情況。作為另外一種對多模態(tài) 分布建模的極好選擇的高斯混合模型是對于該特定問題的相當差的解決 方法，這是因為它們是參數(shù)的，并且它們的擬合需要對各參數(shù)進行多次 迭代調(diào)整，參見Hastie等人的"The Elements of Statistical Learning",Springer， 2001。當考慮很多可能的變化點時這是極為耗時的。 因而，這些方法并不適用于對時間要求嚴格的應(yīng)用。
6一種更好的另選方法是使用基于記憶的方法，例如Parzen核密度估 計(Parzen，s kernel density estimate)，參見Parzen的"On estimation of a probability density function and mode，,， Ann. Math. Stat.33, pp.1065-1076， 1962，其也被稱為概率密度函數(shù)的Nadaraya-Watson估計，參見Hastie等 人的文獻。在該方法中，概率密度p(x)由核值(kernel values)的歸一化 禾口表示。
p(XH丄t豐Xi), (l) 其中w是適當選擇的核函數(shù)，且A， /=1，"是從待建模的分布中抽取的
采樣。對核的流行選擇是高斯和tri-cubic分布。
第二個問題是在已經(jīng)根據(jù)采樣擬合兩個分布之后對它們進行比較。 某些流行的方法采用信息論距離測度，例如公知的Kullback-Leibler(KL)
散度
"紅"ih)i…L^。(x"。gf^血。
使用KL散度時的主要難點是需要在采樣x的整個域Q上積分。即 使在一維域中，這也可能是耗時的，并且在多變量的情況下幾乎是不可 能的。使用其他流行的信息論距離測度，諸如R&yi散度，Jensen-Shanmon 距離、Bregman散度以及Hellinger-Matsushita-Bhattacharya距離，會導致 類似的與積分相關(guān)的困難。
因此，很多研究集中在對這些距離的近似計算上。例如，Guha等人 描述了多個多項式時間近似方案(PTAS)，這些方案能夠以多項式時間計 算對大多數(shù)上述距離的近似。盡管從理論的觀點來看是有價值的，但類 似的PTAS方法不大可能得到能夠用于在實際應(yīng)用中進行監(jiān)測的實際方 法。
基于機器學習的另一種方法使用緩沖器的兩個子窗，該緩沖器存儲 有估計出了這兩個pdf的采樣。如果使窗大小很大，則對抽樣出數(shù)據(jù)的真 實pdf的漸進擬合很好。然而，如果窗的大小很大，則新的釆樣開始很緩 慢地影響變化后的分布，導致在分布發(fā)生實際變化時檢測時間的增加， 使得難以檢測突變。200810092655. 0
說明書第5/ll頁

發(fā)明內(nèi)容
本發(fā)明的實施方式提供了一種用于檢測傳感器采樣流中的任何變化 的方法，以應(yīng)對這一矛盾。本發(fā)明在可能的變化點前后均使用大小變化 的子窗。對于大小較小的變化后子窗(例如，僅一個采樣)，這使得能夠 對劇變或突變都做出快速反應(yīng)，并使得能夠使用根據(jù)較大窗學習的分布 實現(xiàn)對于更微小變化的敏感。該思想的直接實現(xiàn)導致計算復雜度增加到 O(AO。然而，本發(fā)明的實施方式提供了使得該復雜度的增加減小的有效 實現(xiàn)方法。
本發(fā)明的實施方式提供了用于檢測多元傳感器采樣流中的任何變化 的方法。這是能夠檢測實時突變以及在更長時間段上逐漸演變的變化的 方法。當沒有變化前后的數(shù)據(jù)分布的顯式模型可用時，可以應(yīng)用本發(fā)明。
本方法對存儲在存儲緩沖器中的采樣的滑動窗進行操作。該緩沖器 存儲了最近的iV個采樣。每個新的采樣導致最舊的采樣從緩沖器中移除。 本方法考慮了將緩沖器劃分成可能的變化發(fā)生時刻前后的采樣的兩個相 鄰子窗的所有可能劃分。確定采樣的每對相鄰子窗之間的差，并將最大
差指定為品質(zhì)分數(shù)(merit score)。隨后，如果該品質(zhì)分數(shù)大于預定閾值， 則能夠發(fā)信號通知采樣流中的變化。
本發(fā)明的一個實施方式測量采樣的成對子窗之間的平均歐氏 (Euclidean)距離作為決策變量。本發(fā)明的另一實施方式基于常規(guī) CUSUM方法。然而，相反地，對于該常規(guī)方法，概率密度函數(shù)是未知的， 并且本發(fā)明使用Parzen核密度估計來估計所述分布，來代替使用已知分 布的對數(shù)似然度估計。


圖1A是根據(jù)本發(fā)明的一個實施方式用于檢測多元傳感器數(shù)據(jù)釆樣 流中的變化的方法的流程圖1B是根據(jù)本發(fā)明的一個實施方式的存儲有傳感器采樣的緩沖器 的框圖；圖2A是圖IB的緩沖器被劃分成不相等的子窗的框圖2B是根據(jù)本發(fā)明的一個實施方式的采樣值的不同分布的框圖3是根據(jù)本發(fā)明的一個實施方式用于確定采樣的差的三角數(shù)據(jù)結(jié) 構(gòu)的框圖4A是根據(jù)本發(fā)明的一個實施方式的核函數(shù)；
圖4B是根據(jù)本發(fā)明的一個實施方式的三角數(shù)據(jù)結(jié)構(gòu)的框圖5是根據(jù)本發(fā)明的一個實施方式用于檢測傳感器數(shù)據(jù)中的突變的
基于記憶的圖論(MB-GT)方法的偽代碼的框圖6是根據(jù)本發(fā)明的一個實施方式用于檢測傳感器數(shù)據(jù)中的突變的
基于記憶的累積和(MB-CUSUM)方法使用的變量的框圖；以及 圖7是基于記憶的累積和方法使用的偽代碼的框圖。
具體實施例方式
圖1A示出了用于檢測由傳感器102從設(shè)備和/或環(huán)境103在時間上 連續(xù)地獲取的多元傳感器數(shù)據(jù)采樣流101中的任何變化的方法100。采樣 101被存儲(110)在緩沖器170中，其中當緩沖器充滿時將最舊的釆樣 丟棄并存儲最新的采樣，使得緩沖器170形成在時間上前向滑動的采樣 窗。
然后，對于每個新的采樣，將緩沖器劃分(120)成在可能的變化發(fā) 生的時刻171前后的采樣的所有可能的成對相鄰子窗111，使得最新的采 樣被存儲在該對的第二子窗中。確定(130)采樣的每一對所有可能的相 鄰子窗111之間的差131。最大差被指定為作為閾值140的品質(zhì)分數(shù)(merit score),并且如果該品質(zhì)分數(shù)大于預定閾值，則發(fā)信號通知(150)變化 151。
本發(fā)明的所有實施方式都對大小變化的成對相鄰的采樣窗進行操 作。即，本方法考慮大小為N個釆樣的緩沖器170的所有可能的劃分。 這兩種方法共享了共同的計算結(jié)構(gòu)，考慮存儲緩沖器的所有可能劃分， 該計算結(jié)構(gòu)能夠被用于顯著減小計算成本。這兩種方法都對緩沖器"進 行操作，該緩沖器包含最近的傳感器采樣，為方便起見，總是將這些傳感器采樣從A至XN重新編號，使得XN是最新的采樣，并且^是最舊的 采樣；即，該緩沖器是在時間上前向滑動的采樣窗。
差處理a確定(130)量化的品質(zhì)分數(shù)Y7，它與變化發(fā)生在緩沖器內(nèi) 采樣的跨度內(nèi)的概率成比例。具體而言，品質(zhì)分數(shù)Yf可以但不限于是緩 沖器170的兩個子窗之間的距離測度。典型地是，常規(guī)方法僅將緩沖器 劃分成兩個相等的采樣子窗并檢驗這兩個相等部分之間的差。相反地， 我們將緩沖器劃分成所有可能的成對子窗，包括存儲有單個采樣的子窗。
如圖1B所示，以向量x形式的按時間順序的釆樣窗101被連續(xù)地存 儲在緩沖器170中。下面描述的方法考慮了傳感器釆樣x的窗的子窗的 所有可能的成對下標(V)，從而K^/SN，使得將存儲有采樣x 152的緩 沖器r' 170劃分成兩個相鄰的子窗，
這里時間f從左到右增加，并且
圖2A示出了具有采樣1至iV的緩沖器170。具有下標/的采樣定義 了該對的第一子窗的開始，具有下標/的采樣定義了第二子窗的第一采 樣，并且，分別地，假設(shè)的變化點與劃分(partitioning) 171相關(guān)聯(lián)。位 于第一子窗末尾的采樣具有下標,l，確保了該對子窗的鄰接性，而第二 子窗的末尾總是最新的采樣xw。
存儲在這兩個子窗中的采樣的兩個子集可以具有數(shù)量不相等的采 樣。 一個子窗甚至可以由單個采樣組成。因此，采樣的一個子窗可以包 括一個或更多個釆樣，即，子窗中的釆樣的數(shù)量可以在[l,l]的范圍內(nèi)。
如果針對受到所列出約束的可能的每對子窗確定了差或品質(zhì)分數(shù) K(W)，則總的品質(zhì)分數(shù)是所有劃分上的最大值 Yf =maxls,s;swY，(Z,/)。
隨后，建模的挑戰(zhàn)在于確定要使用哪個品質(zhì)分數(shù)。計算的挑戰(zhàn)在于 以針對每個新采樣X,在計算方面有效的方式完成這種確定。 基于記憶(memory-based)的圖論處理(MB-GT) 如圖2B所示，對確定采樣的兩個子窗221-222的兩個分布211—212之間的差200 (距離)的問題的一個解決方法是確定這些釆樣自身之間的
平均距離(差)。因為每個采樣都是多維歐氏空間的一個數(shù)據(jù)點，因此采
樣X&和X,的子窗之間自然的距離測度是其歐氏距離 《乂 —Ix廣x, H。
對于由上述指定下標對(/力定義的特定劃分，我們可以將采樣的這兩
個子窗之間的平均距離確定為
n"《， "廣(/-斬"'+i)。
該基于記憶的圖論方法具有品質(zhì)分數(shù)
因為確定了每個C,,具有0(iV2)的復雜度，且存在0(iV2)個需要考慮的 這種項，因此總復雜度是0(iV4)。對于實際應(yīng)用而言，該復雜度是不可接受的。
然而，獨立c,力.項的確定具有某些冗余和重復結(jié)構(gòu)，可以利用這些冗
余和重復結(jié)構(gòu)來將計算復雜度降低到0(iV2)。
如果我們定義
A:=/ /力 /=乂
則以下遞歸關(guān)系成立-Ad d ， 中
且
中
c;,o對所有i^iv。
如圖3所示，這些遞歸提出了下面的有效計算處理。值A(chǔ),和c;.,被存
儲在概念上與矩陣類似的數(shù)據(jù)結(jié)構(gòu)301-302中。該矩陣由于約束i<j因而 是上三角的。計算可以開始于該矩陣的最下面一行310，最下面一行310 具有單個元素C^，它被定義為零。對于在原先的一行之上的每一行
其A,并，c,其12sn，按照從底到頂進行的順序，執(zhí)行兩個步驟
1) 使用下面的遞歸自右向左進行，從所有值/ ,,,的緊鄰右側(cè)的采樣 遞歸地計算所有的值/ ,,:
2) 使用遞歸c,:,d，根據(jù)各值A(chǔ)，,和緊接著當前行下面一行中 的值C,計算所有的值c,:,。
可以在計算各項c;，,的同時遞歸地完成對品質(zhì)分數(shù)y"的確定，因為這 僅涉及歸一化和最大化。出于這一原因，不必在緩沖器中存儲所有的c,:和 。為的當前行/保存大小為n個采樣的緩沖器并且為c,:,和《+1,/呆存
相同大小的兩個緩沖器就足夠了。因此，該過程的存儲器需求僅為O(a0，
且計算復雜度僅為0(iV2)。
基于記憶的CUSUM過程(MB-CUSUM)
如圖4A所示，本發(fā)明的第二實施方式是以概率為基礎(chǔ)，這使得該方 法在特定建模條件下能夠?qū)崿F(xiàn)最優(yōu)的變化檢測。因為采樣的分布未知， 我們首先例如使用高斯或tricubic概率分布函數(shù)通過Parzen核密度估計來 獲得該分布，在圖4A中，縱軸是概率分布，橫軸是時間。
同時，盡管第二方法的理論基礎(chǔ)非常不同，但第二方法具有與第一 實施方式類似的計算結(jié)構(gòu)。我們描述這種結(jié)構(gòu)如何能夠被用于實現(xiàn)對計 算復雜度的同樣顯著的改進。
CUSUM的推導之后，我們考慮關(guān)于存儲在緩沖器170中的N個采 樣中的可能變化的以下假設(shè)
這里，我們考慮在獲取了最近的iV-/+l個采樣時沒有發(fā)生變化的零 假設(shè)Hi,。，與之相對的是發(fā)生了這種變化的多重假設(shè)H,》。通過引入起始 下標"我們使要被檢驗的假設(shè)的集合擴展為不必使用窗中的所有N個采 樣的那些假設(shè)。
根據(jù)Neyman-Pearson引理,參見Hoel等人的"Testing Hypotheses," Ch.3 in Introduction to Statistical Theory, New York: Houghton Mifflin,pp.56-67， 1971，通過引用將其合并于此，當檢驗每個特定的假設(shè)H,.,.相對 H,力時，我們能夠進行的最佳檢驗，即，具有拒絕錯誤零假設(shè)的最高概率 的檢驗將是似然比
A 一n:::A)(x》.n二A(x,)
為方便起見，通常使用對數(shù)似然比&=1昭( )。在我們的方法中，我
們將真實pdfp。和pi用它們的核密度估計來代替，如公式(1)所述，得
出
1 yw
《u'+i丄"," .,、 "、
S,y:"Og~~f-^-， w',w(x,-、) ° (5)
Z廣1
這里，W"是采樣對(X/，X;0的核權(quán)重，并且其還滿足WU=W"/￡)。通 過使用最大似然準則，該過程的品質(zhì)分數(shù)為
如上所述，品質(zhì)分數(shù)的計算具有0(iV4)的復雜度。然而，該品質(zhì)分數(shù)
與同樣能夠被用來減小計算復雜度的實施方法的品質(zhì)分數(shù)具有類似的結(jié) 構(gòu)。
如圖4B所示，同樣，我們將窗S^的值和V^概念性地組織在三角
數(shù)據(jù)結(jié)構(gòu)中，并定義下面的輔助變量
《一IXfc 。 (6)
盡管看上去要計算0(W)個《.項，公式5的改寫形式的遞歸公式
-S^ + log" -logv乙+log(7-/) —1og(iV — /十l) 。 (7) 告訴我們并不需要所有的項。通過進一步定義& = ^以及、=< ， 我們可以使用下面的公式作為進行有效處理的基礎(chǔ)
a=i># v,:>= v,:+u+w" 。 (8)
注意只有用于 的項是遞歸的；用于^的項是直接計算的。這些公
式表明了下面的處理
Sl:對于/=1,每次使用公式(8)直接計算a。該計算的復雜度為
0(JV2)，但是結(jié)果可以存儲在O(iV)空間中。S2:對于矩陣《，,的每一行/=見1，從最下面一行410開始，/=7V 并向上移動到第一行Z'二1，執(zhí)行以下兩個步驟
S2.1:對于汁l到iV之間的每個值_/，每次使用公式(8)根據(jù)下面的行 中相應(yīng)的v,^以及^.計箕 。
S2.2:對于iV和z'+l之間的每個值》對所有的/二l，iV，從S,，-O開
始，從緊鄰右側(cè)的值， 使用公式 & , = + log a. - log+ log(y - /) - log(W - / +1)計算。嚴格地從右向左(/
=7V， 進行該步驟中的計算。
圖5更加詳細地示出了確定y"爿的第一種基于記憶的圖論
(MB-GT)方法的偽代碼。圖3示出了確定yu-，，的第二種基于記憶
的累積和(MB-CUSUM)方法的變量，且圖4更為詳細地示出了偽代碼。
盡管已經(jīng)通過優(yōu)選實施方式的實施例描述了本發(fā)明，但應(yīng)當理解可
以在本發(fā)明的精神和范圍內(nèi)做出各種其他的調(diào)整和修改。因此，所附權(quán)
利要求的目的是涵蓋落在本發(fā)明的真實精神和范圍內(nèi)的所有的這種變型
和修改。
權(quán)利要求
1.一種用于檢測由傳感器獲取的采樣流中的變化的方法，該方法包括以下步驟在緩沖器中連續(xù)地存儲由傳感器隨時間獲取的采樣流，其中，當所述緩沖器充滿時，將最舊的采樣丟棄并存儲最新的采樣，使得所述緩沖器形成在時間上前向滑動的采樣窗；對于每個新的采樣，將所述緩沖器劃分成采樣的包括第一子窗和第二子窗的所有可能的成對相鄰子窗，使得最新的采樣被存儲在所述對的所述第二子窗中；確定采樣的每對所述相鄰子窗的所述第一子窗和所述第二子窗之間的差；將最大差指定為品質(zhì)分數(shù)；以及如果所述品質(zhì)分數(shù)大于預定閾值，則發(fā)信號通知所述采樣流中的變化。
2. 根據(jù)權(quán)利要求1所述的方法，其中所述變化在時間上是突變的。
3. 根據(jù)權(quán)利要求1所述的方法，其中所述變化隨時間相對緩慢地演變。
4. 根據(jù)權(quán)利要求1所述的方法，其中所述采樣的分布是未知的。
5. 根據(jù)權(quán)利要求1所述的方法，其中所述差是所述第一子窗和所述 第二子窗二者中的所述采樣的值之間的歐氏距離。
6. 根據(jù)權(quán)利要求1所述的方法，其中所述第一子窗和所述第二子窗 具有數(shù)量不相等的采樣。
7. 根據(jù)權(quán)利要求1所述的方法，其中所述緩沖器中的采樣數(shù)為N， 并且所述子窗中的采樣數(shù)可以在[1，N-l]的范圍內(nèi)。
8. 根據(jù)權(quán)利要求1所述的方法，其中所述差確定的復雜度是0(W2), 其中N是存儲在所述緩沖器中的采樣的數(shù)量。
9. 根據(jù)權(quán)利要求1所述的方法，其中所述第一子窗和所述第二子窗 二者中的所述采樣的值被存儲在各自的三角矩陣中，并且根據(jù)直接相鄰的采樣遞歸地確定所述差。
10. 根據(jù)權(quán)利要求1所述的方法，該方法還包括以下步驟使用Parzen核估計來估計所述分布。
11. 根據(jù)權(quán)利要求10所述的方法，其中所述差是使用所述核估計的 對數(shù)似然度的累積和過程來確定的。
全文摘要
本發(fā)明涉及用于檢測傳感器采樣流中的變化的方法和系統(tǒng)。一種檢測由傳感器獲取的采樣流中的變化的方法。在緩沖器中連續(xù)地存儲由傳感器隨時間獲取的采樣流，其中，當所述緩沖器充滿時，將最舊的采樣丟棄并存儲最新的采樣，使得所述緩沖器形成在時間上前向滑動的采樣窗。對于每個新的采樣，將所述緩沖器劃分成采樣的包括第一子窗和第二子窗的所有可能的成對相鄰子窗，使得最新的采樣被存儲在所述對的所述第二子窗中。確定采樣的每對所述相鄰子窗的所述第一子窗和所述第二子窗之間的差，并將最大差指定為品質(zhì)分數(shù)。如果所述品質(zhì)分數(shù)大于預定閾值，則發(fā)信號通知所述采樣流中的變化。所述變化可以是突變的或漸變的。
文檔編號G05B19/418GK101295177SQ20081009265
公開日2008年10月29日 申請日期2008年4月22日 優(yōu)先權(quán)日2007年4月23日
發(fā)明者丹尼爾·N·尼科夫斯基, 安庫爾·賈殷 申請人:三菱電機株式會社