施 珮，匡 亮，唐 玥，袁永明，余曉棟

基于改進(jìn)SVDD算法的池塘水質(zhì)數(shù)據(jù)流異常檢測(cè)

施 珮1,2，匡 亮3，唐 玥1,2，袁永明4，余曉棟1,2

（1. 南京信息工程大學(xué)濱江學(xué)院，無錫 214105；2. 江蘇省物聯(lián)網(wǎng)設(shè)備超融合與安全工程研究中心，無錫 214105；3. 江蘇信息職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)工程學(xué)院，無錫 214153；4. 中國(guó)水產(chǎn)科學(xué)研究院淡水漁業(yè)研究中心，無錫 214081）

無線傳感器網(wǎng)絡(luò)獲取的水質(zhì)數(shù)據(jù)流具有高復(fù)雜性、非平穩(wěn)性、非線性等特點(diǎn)，為了提高傳感數(shù)據(jù)流的異常檢測(cè)能力，保障水質(zhì)監(jiān)測(cè)數(shù)據(jù)流的有效性，該研究提出一種基于改進(jìn)支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）水質(zhì)數(shù)據(jù)流異常檢測(cè)方法。首先應(yīng)用馬氏距離改進(jìn)Parzen-Window高斯窗函數(shù)，避免數(shù)據(jù)在分類過程中產(chǎn)生干擾。再利用改進(jìn)的Parzen-Window獲取訓(xùn)練數(shù)據(jù)的分布密度估計(jì)，并結(jié)合模糊隸屬度函數(shù)，對(duì)傳統(tǒng)SVDD算法進(jìn)行密度補(bǔ)償，構(gòu)建改進(jìn)的SVDD異常檢測(cè)模型，從而降低有噪正常樣本的干擾性，提高算法的分類精度。最后，選擇密度補(bǔ)償支持向量數(shù)據(jù)描述（Density Weighted Support Vector Data Description，D-SVDD）、傳統(tǒng)SVDD和FastFood算法，在不同試驗(yàn)池塘的多個(gè)測(cè)試數(shù)據(jù)集中進(jìn)行對(duì)比試驗(yàn)。結(jié)果表明，改進(jìn) SVDD 算法具有較高的檢測(cè)性能，該算法在 3 口池塘的最高異常檢測(cè)正確率 TPR（True Positive Rate）值達(dá)到99.83%，最高檢測(cè)準(zhǔn)確率 Accuracy 達(dá)到 99.83%，明顯優(yōu)于 D-SVDD 和傳統(tǒng) SVDD 算法，且最低運(yùn)行時(shí)間僅 1.34 s。結(jié)果可為水質(zhì)數(shù)據(jù)流異常監(jiān)測(cè)提供技術(shù)支持。

水產(chǎn)養(yǎng)殖；水質(zhì)；數(shù)據(jù)流；密度補(bǔ)償；支持向量數(shù)據(jù)描述

0 引 言

在集約化的水產(chǎn)養(yǎng)殖中，傳感器網(wǎng)絡(luò)作為一種常見的技術(shù)被應(yīng)用于養(yǎng)殖水體的環(huán)境監(jiān)測(cè)[1]。通過部署多種傳感器節(jié)點(diǎn)，可以不間斷地采集水質(zhì)數(shù)據(jù)，構(gòu)成具有時(shí)間特性的傳感器數(shù)據(jù)流。然而，受傳感器老化、電氣特性、外界磁性干擾或節(jié)點(diǎn)間通訊等原因[2]，采集的數(shù)據(jù)流會(huì)存在數(shù)據(jù)缺失、異常等問題。水質(zhì)數(shù)據(jù)流的異常檢測(cè)能夠幫助及時(shí)發(fā)現(xiàn)偏離正常情況的數(shù)據(jù)，同時(shí)，針對(duì)異常數(shù)據(jù)實(shí)時(shí)發(fā)送警報(bào)信息、節(jié)點(diǎn)故障信息等。在高密度的集約化水產(chǎn)養(yǎng)殖中，基于水質(zhì)數(shù)據(jù)流進(jìn)行的異常檢測(cè)能有效地保障水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)測(cè)的可靠性和有效性，從而為精準(zhǔn)養(yǎng)殖生產(chǎn)提供決策依據(jù)。

傳感器數(shù)據(jù)流的異常檢測(cè)是一項(xiàng)具有重要意義的研究，基于不同研究算法的傳感器數(shù)據(jù)流異常檢測(cè)已經(jīng)被廣泛應(yīng)用于各個(gè)領(lǐng)域[3-7]。張懷峰等[3]提出代表性特征自編碼器異常檢測(cè)算法，提取相位相同樣本的代表性特征，并根據(jù)這些特征衡量衛(wèi)星電源系統(tǒng)的異常數(shù)據(jù)。Lee等[4]提出了一種基于Self-organizing Maps（SOM）算法的自適應(yīng)動(dòng)態(tài)分簇式在線異常檢測(cè)算法。該算法利用實(shí)時(shí)更新的網(wǎng)絡(luò)結(jié)構(gòu)和適應(yīng)度為依據(jù)構(gòu)建異常簇或正常簇。這類算法在進(jìn)行異常檢測(cè)時(shí)無需數(shù)據(jù)標(biāo)定，具有很強(qiáng)的特征提取能力，較適合具有確定性時(shí)序特征的數(shù)據(jù)流。唐斯琪等[5]基于局部保持投影算法基本思想，提出基于類別信息的監(jiān)督判別（Locally Preserving Projection，LPP）的（Supervised Discriminant Locality Preserving Projection，SDLPP）算法，并應(yīng)用到網(wǎng)絡(luò)數(shù)據(jù)流的異常檢測(cè)中。這類算法具有較高的檢測(cè)精度，但對(duì)測(cè)試和訓(xùn)練的數(shù)據(jù)集有較高的要求。事實(shí)上，在實(shí)際工程實(shí)踐中，諸如養(yǎng)殖池塘的水質(zhì)數(shù)據(jù)流，其數(shù)據(jù)本身異常和正常比例不均衡，且異常類型復(fù)雜多變，全面地采集和準(zhǔn)確標(biāo)定是難以實(shí)現(xiàn)的，因此需要更為合適、有效的算法應(yīng)用于這類問題的數(shù)據(jù)流異常檢測(cè)。SVDD作為一種適用于不均衡數(shù)據(jù)集分類的機(jī)器學(xué)習(xí)方法，具有高效的非線性分割能力[8-11]。為了解決具有分布差異的訓(xùn)練數(shù)據(jù)出現(xiàn)分類界面偏移的問題，Cha等[12]將密度權(quán)重的概念引入到SVDD算法中，并采用階鄰域（K-Nearest Neighbor，KNN）算法來度量數(shù)據(jù)的相對(duì)密度分布情況。陶新民等[13]提出一種最大軟間隔SVDD故障檢測(cè)算法對(duì)不均衡數(shù)據(jù)下的軸承故障問題進(jìn)行檢測(cè)，取得了較好的效果。目前，SVDD模型已廣泛應(yīng)用于工業(yè)過程中的故障檢測(cè)領(lǐng)域，但在水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)測(cè)領(lǐng)域應(yīng)用較少。

本文提出一種改進(jìn)的SVDD異常檢測(cè)算法，并將檢測(cè)結(jié)果同密度補(bǔ)償支持向量數(shù)據(jù)描述（Density Weighted Support Vector Data Description，D-SVDD）、SVDD和FastFood三種模型進(jìn)行對(duì)比，探索具有較高檢測(cè)準(zhǔn)確度、效率和泛化性能的水質(zhì)數(shù)據(jù)流異常檢測(cè)算法，解決傳統(tǒng)水質(zhì)數(shù)據(jù)流異常檢測(cè)中不平衡數(shù)據(jù)檢測(cè)準(zhǔn)確度低、特征信息貧乏、魯棒性差的問題，以進(jìn)一步提高水質(zhì)數(shù)據(jù)流的長(zhǎng)期異常檢測(cè)精度。

1 材料與方法

1.1 數(shù)據(jù)源

為了對(duì)數(shù)據(jù)流異常檢測(cè)算法的適用性進(jìn)行試驗(yàn)和測(cè)試，本研究首先使用國(guó)際通用傳感網(wǎng)絡(luò)數(shù)據(jù)集SensorScope中的12號(hào)傳感器節(jié)點(diǎn)的外部溫度、地表溫度進(jìn)行仿真試驗(yàn)。同時(shí)，以實(shí)際生產(chǎn)中的多個(gè)試驗(yàn)池塘的水質(zhì)數(shù)據(jù)流為異常檢測(cè)的研究對(duì)象，在江蘇省常熟市水產(chǎn)養(yǎng)殖基地（121.9°E、31.6°N）的多個(gè)養(yǎng)殖池塘中部署傳感器網(wǎng)絡(luò)，從而獲取傳感器感知的水質(zhì)數(shù)據(jù)流。養(yǎng)殖區(qū)域內(nèi)共3口試驗(yàn)池塘，總面積約為2×104m2，每口池塘約6.7×103m2（長(zhǎng)110 m，寬60 m）。1號(hào)池塘養(yǎng)殖南美白對(duì)蝦，養(yǎng)殖密度為75尾/m2；3號(hào)池塘養(yǎng)殖中華絨螯蟹，養(yǎng)殖密度為0.013 5 kg/m2，放養(yǎng)規(guī)格為120尾/kg；13號(hào)池塘混養(yǎng)青蝦和中華絨螯蟹，中華絨螯蟹養(yǎng)殖密度0.011 2 kg/m2，放養(yǎng)規(guī)格為600尾/kg，青蝦放養(yǎng)密度為0.004 5 kg/m2，放養(yǎng)規(guī)格為8 000尾/kg。獲取的水質(zhì)數(shù)據(jù)指標(biāo)數(shù)據(jù)包括溶解氧濃度和pH值。在水產(chǎn)養(yǎng)殖遠(yuǎn)程監(jiān)測(cè)系統(tǒng)中，水下傳感器的數(shù)據(jù)采集間隔為10 min。水體數(shù)據(jù)經(jīng)ZigBee傳輸至Sink節(jié)點(diǎn)，再傳輸至服務(wù)器端，系統(tǒng)總體架構(gòu)如圖1所示。

本文以2020年5月20至6月2日為試驗(yàn)周期，采集周期內(nèi)3個(gè)養(yǎng)殖池塘的水質(zhì)數(shù)據(jù)流為試驗(yàn)樣本。同時(shí)，在1號(hào)池塘中分別構(gòu)建不同大小的樣本集進(jìn)行模型訓(xùn)練和測(cè)試，各試驗(yàn)數(shù)據(jù)集均包含兩項(xiàng)檢測(cè)指標(biāo)，其詳細(xì)信息如表1所示。1號(hào)池塘、3號(hào)池塘和13號(hào)池塘均包含大小相近的數(shù)據(jù)集樣本。同時(shí)，在1號(hào)池塘中，分別設(shè)置3個(gè)試驗(yàn)樣本集：No.1、No.2和No.3，各樣本集中總試驗(yàn)數(shù)據(jù)量遞增，訓(xùn)練和測(cè)試集中樣本量也分別遞增。

表1 試驗(yàn)數(shù)據(jù)集

1.2 支持向量數(shù)據(jù)描述SVDD

SVDD是支持向量機(jī)的一種分支。它的主要思想是通過對(duì)訓(xùn)練集中的數(shù)據(jù)使用立體概念超球體進(jìn)行包裹，從而實(shí)現(xiàn)數(shù)據(jù)間的劃分[14]。

在這個(gè)超球體實(shí)現(xiàn)數(shù)據(jù)分類的過程中，其依賴的是數(shù)據(jù)間的映射。SVDD以結(jié)構(gòu)風(fēng)險(xiǎn)為目標(biāo)，數(shù)據(jù)的分類為目的，不斷優(yōu)化超球體的大小，以期最大程度地包含所有目標(biāo)數(shù)據(jù)[15]。在超球體內(nèi)部，以為球心，為半徑。球體內(nèi)部數(shù)據(jù)為目標(biāo)類，外部數(shù)據(jù)則為非目標(biāo)類，其算法結(jié)構(gòu)圖如圖2所示。

式中ξ≥0，為懲罰因子。

引入拉格朗日乘子求解式（1），替換其中內(nèi)積運(yùn)算為核函數(shù) K()，在滿足Mercer 定理的條件下，獲得其對(duì)偶表達(dá)式如下：

求解式（2），得到特征空間中觀測(cè)數(shù)據(jù)到球中心的距離和球體半徑，x為第個(gè)數(shù)據(jù)，x為第個(gè)數(shù)據(jù)，它們的計(jì)算表達(dá)式如下：

核函數(shù)表征樣本從低維到高維的特征映射，在SVM中占有重要地位，影響著函數(shù)的性能。目前常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)和Sigmoid核函數(shù)等[16]。在不同的應(yīng)用領(lǐng)域中，各個(gè)核函數(shù)均有不同的適用性。

1.3 Parzen-Window概率密度估計(jì)

概率密度估計(jì)能夠?qū)颖具M(jìn)行參數(shù)估計(jì)，獲得其分布情況的特征統(tǒng)計(jì)信息（概率密度函數(shù)值）[17]。參數(shù)估計(jì)和非參數(shù)估計(jì)作為概率密度估計(jì)主要的2種形式，分別以已知分布形式的訓(xùn)練樣本集和未知分布形式的訓(xùn)練樣本集為研究對(duì)象。Parzen-Window（核密度估計(jì)）作為概率論中的典型非參數(shù)估計(jì)方法，能夠?qū)崿F(xiàn)樣本的未知概率密度函數(shù)值的估算[18]。

使用Parzen-Window函數(shù)進(jìn)行概率密度估計(jì)，本文中選擇常用的高斯窗核函數(shù)完成概率密度估計(jì)，其表達(dá)式為

1.4 密度估計(jì)補(bǔ)償SVDD

在傳統(tǒng)SVDD算法中，不需要對(duì)樣本的數(shù)據(jù)密度分布進(jìn)行分析。相對(duì)密度的引入能夠補(bǔ)償SVDD算法的缺陷，使得研究區(qū)域中相對(duì)密度高的樣本更易被超球體包圍。對(duì)樣本集[1,2,, x]中任意樣本x，其相對(duì)密度ρ為

式中為輸入維度，為權(quán)重，為Parzen-window平滑參數(shù)。

當(dāng)x的相對(duì)密度ρ越小，則樣本點(diǎn)x所處的區(qū)域越稀疏。將相對(duì)密度引入SVDD中，使用概率密度(x)乘以公式（1）中松弛變量ξ，獲得表達(dá)式如下：

密度補(bǔ)償SVDD算法（Density Weighted Support Vector Data Description，DSVDD）通過引入相對(duì)密度能夠讓位于相對(duì)密度較大區(qū)域中的樣本點(diǎn)盡可能多的被超球體邊界所包含。在求公式（10）的最優(yōu)解時(shí)，引入拉格朗日乘子，則獲得式（11）：

1.5 改進(jìn)的支持向量數(shù)據(jù)描述

在DSVDD異常檢測(cè)算法中，Parzen-window窗函數(shù)一般選擇高斯核函數(shù)。為了避免傳感器數(shù)據(jù)流在量綱上的差異帶來的影響，在高斯函數(shù)中，選擇馬氏距離（Mahalanobis distance）替代傳統(tǒng)歐式距離，將樣本點(diǎn)之間包含的隱藏信息考慮進(jìn)去，從而構(gòu)建新的Parzen-window窗函數(shù)[19]。在新的Parzen-window窗函數(shù)中，對(duì)樣本集[1,2,, x]中某樣本x，則其相對(duì)密度ρ為

同時(shí)，在目標(biāo)樣本被劃分為正常樣本的過程中，會(huì)存在一部分有噪正常樣本混在其中。這些噪聲樣本會(huì)對(duì)DSVDD的異常檢測(cè)模型的構(gòu)建產(chǎn)生負(fù)作用。因此，本文選擇利用隸屬度函數(shù)[20-21]對(duì)DSVDD進(jìn)行改進(jìn)。通過隸屬度函數(shù)，使每個(gè)訓(xùn)練集中的樣本都能產(chǎn)生一個(gè)相應(yīng)密度信息下的隸屬度值。對(duì)于樣本集[1,2,, x]中某一樣本x，其相對(duì)密度ρ下的模糊隸屬度z可表示如下：

式中max為ρ中的最大值，min為ρ中的最小值。由隸屬度函數(shù)公式（14）生成的相關(guān)密度的隸屬度值，使得所有訓(xùn)練樣本集中重要性越大的樣本分配得到越大的模糊隸屬度值，且樣本隸屬于一個(gè)相對(duì)密集的區(qū)域中。而重要性越小的樣本則分配越小的隸屬度值，且樣本隸屬于一個(gè)稀疏的區(qū)域。

引入相對(duì)密度ρ的隸屬度函數(shù)z對(duì)公式（10）進(jìn)行改進(jìn)，獲得改進(jìn)的密度估計(jì)補(bǔ)償SVDD算法，其表達(dá)式如下：

求解公式（15）的最優(yōu)解時(shí)，引入拉格朗日乘子，則獲得式（16）：

2 異常檢測(cè)算法

2.1 數(shù)據(jù)預(yù)處理

針對(duì)水質(zhì)數(shù)據(jù)流在數(shù)據(jù)量綱上的差異，需要對(duì)這些數(shù)據(jù)流進(jìn)行標(biāo)準(zhǔn)化處理。因此，本文采用Z-score方法[22]完成數(shù)據(jù)流的標(biāo)準(zhǔn)化過程，其預(yù)處理的表達(dá)式為

2.2 異常檢測(cè)模型構(gòu)建

在水質(zhì)數(shù)據(jù)流的異常檢測(cè)中，正常數(shù)據(jù)和異常數(shù)據(jù)之間比例具有不均衡性，且異常樣本難以被標(biāo)記。傳統(tǒng)有監(jiān)督算法進(jìn)行異常檢測(cè)時(shí)，模型難以準(zhǔn)確設(shè)計(jì)和構(gòu)建，因此需要使用新的方法來解決這些實(shí)際的問題，并保證數(shù)據(jù)流異常檢測(cè)的準(zhǔn)確度。因而，本文嘗試使用SVDD算法構(gòu)建一種半監(jiān)督型的數(shù)據(jù)流異常檢測(cè)算法，并構(gòu)造關(guān)于相對(duì)密度的模糊隸屬度函數(shù)()，降低有噪正常樣本對(duì)異常檢測(cè)模型的干擾，求解計(jì)算如式（14）。

本文構(gòu)建的養(yǎng)殖水體數(shù)據(jù)流異常檢測(cè)模型，首先需要采用式（17）進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化。然后，利用概率估計(jì)和模糊隸屬度計(jì)算，構(gòu)建改進(jìn)的SVDD異常檢測(cè)模型實(shí)現(xiàn)數(shù)據(jù)流的異常檢測(cè)，主要包括數(shù)據(jù)預(yù)處理、改進(jìn)SVDD檢測(cè)模型的訓(xùn)練、改進(jìn)SVDD模型的測(cè)試和驗(yàn)證效果等，具體異常檢測(cè)流程如圖3所示。

數(shù)據(jù)預(yù)處理。對(duì)傳感器采集的水質(zhì)數(shù)據(jù)流樣本進(jìn)行標(biāo)準(zhǔn)化處理，避免數(shù)值量綱和變異等對(duì)改進(jìn)SVDD模型訓(xùn)練過程中的參數(shù)尋優(yōu)產(chǎn)生影響。

模型訓(xùn)練。在改進(jìn)SVDD的模型訓(xùn)練過程中，首先需要設(shè)置初始參數(shù)懲罰因子和，利用5-折交叉驗(yàn)證法對(duì)參數(shù)進(jìn)行尋優(yōu)，以平均絕對(duì)誤差（Mean Absolute Error，MAE）作為迭代尋求的評(píng)估指標(biāo)；再利用改進(jìn)的Parzen-Window函數(shù)進(jìn)行樣本的概率密度估計(jì)，確定密度函數(shù)值；結(jié)合模糊隸屬度函數(shù)，將基于相對(duì)密度的隸屬度值帶入SVDD中，求解改進(jìn)SVDD模型的輸出參數(shù)超球體半徑和拉格朗日乘子的值。

異常檢測(cè)測(cè)試。進(jìn)行異常檢測(cè)測(cè)試時(shí)，計(jì)算各觀測(cè)點(diǎn)到中心的距離值。對(duì)比值與超球體半徑；當(dāng)>時(shí)，則判定該觀測(cè)點(diǎn)為異常數(shù)據(jù)；當(dāng)<時(shí)，則判定該觀測(cè)點(diǎn)為正常數(shù)據(jù)；輸出異常數(shù)據(jù)，完成測(cè)試數(shù)據(jù)的異常檢測(cè)過程。

3 試驗(yàn)與分析

3.1 試驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

本文將2020年5月20日-6月2日期間養(yǎng)殖區(qū)域中各試驗(yàn)池塘的溶解氧濃度和pH數(shù)據(jù)流作為異常檢測(cè)對(duì)象，分別構(gòu)建訓(xùn)練樣本集和測(cè)試樣本集。試驗(yàn)中，異常檢測(cè)算法采用Matlab 2014進(jìn)行程序的編寫和運(yùn)行，使用的Intel雙核2.7 GHzCPU，16.00 GB RAM，Windows 10（64 bit）操作系統(tǒng)。在算法的性能評(píng)價(jià)上，分別采用正確率（True Positive Rate，TPR），誤報(bào)率（False Negative Rate，F(xiàn)PR），準(zhǔn)確率（Accuracy）和運(yùn)行時(shí)間Time對(duì)異常檢測(cè)算法進(jìn)行性能評(píng)估。TPR代表正常數(shù)據(jù)被正確檢測(cè)的識(shí)別率百分比；FPR為異常數(shù)據(jù)被檢測(cè)為正常數(shù)據(jù)的錯(cuò)誤檢測(cè)百分比[23-25]。其計(jì)算公式分別為

式中TP（True Positive）代表正常數(shù)據(jù)被檢測(cè)為正常數(shù)據(jù)的數(shù)量；FP（False Positive）代表異常數(shù)據(jù)被檢測(cè)為正常數(shù)據(jù)的樣本數(shù)量；TN（True Negative）代表異常數(shù)據(jù)被檢測(cè)為異常樣本的數(shù)量；FN（False Negative）代表異常數(shù)據(jù)被檢測(cè)為正常樣本的數(shù)量。

3.2 結(jié)果與分析

3.2.1 不同核函數(shù)性能比較

為了評(píng)估異常檢測(cè)算法不同核函數(shù)的檢測(cè)性能，選擇SensorScope數(shù)據(jù)集進(jìn)行仿真試驗(yàn)，從而確定最適宜的異常檢測(cè)核函數(shù)。在試驗(yàn)過程中，設(shè)置SVDD的參數(shù)為[2-3, 23]，為[0.1, 1]。利用5-折交叉驗(yàn)證法測(cè)試各核函數(shù)的檢測(cè)性能，仿真試驗(yàn)結(jié)果如表2所示。

表2 不同核函數(shù)的檢測(cè)結(jié)果

表2為改進(jìn)SVDD算法使用不同核函數(shù)的異常檢測(cè)試驗(yàn)結(jié)果，可以發(fā)現(xiàn)各核函數(shù)均能較好的實(shí)現(xiàn)異常檢測(cè)過程。然而，在這4種核函數(shù)中，基于高斯核函數(shù)的改進(jìn)SVDD異常檢測(cè)算法的FPR值明顯低于其他3種核函數(shù)，Accuracy值明顯高于其他3種核函數(shù)。該核函數(shù)的TPR值與Sigmoid核函數(shù)接近，明顯高于Linear和Poly核函數(shù)。結(jié)果表明，改進(jìn)SVDD算法使用高斯核函數(shù)時(shí)有明顯的優(yōu)勢(shì)，在異常檢測(cè)中能獲得更好的檢測(cè)效果。

3.2.2 檢測(cè)性能對(duì)比

1）改進(jìn)SVDD在不同池塘中的檢測(cè)結(jié)果

為了測(cè)試改進(jìn)SVDD異常檢測(cè)算法的檢測(cè)性能，使用試驗(yàn)區(qū)域中試驗(yàn)樣本量大小相近的數(shù)據(jù)集進(jìn)行試驗(yàn)。經(jīng)過多次試驗(yàn)，獲得各試驗(yàn)池塘水質(zhì)數(shù)據(jù)流的異常檢測(cè)結(jié)果如表3所示。

表3 改進(jìn)SVDD算法在不同數(shù)據(jù)集的異常檢測(cè)結(jié)果

表3顯示，改進(jìn)SVDD異常檢測(cè)算法在13號(hào)池塘、3號(hào)池塘和1號(hào)池塘第一組No.1的試驗(yàn)數(shù)據(jù)集中均取得了較好的檢測(cè)結(jié)果。3組試驗(yàn)數(shù)據(jù)集的異常檢測(cè)正確率TPR值均大于90%，誤報(bào)率FPR值均小于4%，準(zhǔn)確率Accuracy值均大于90%。同時(shí)，運(yùn)算速度較快，具有較高的運(yùn)行效率。

通過對(duì)試驗(yàn)環(huán)境進(jìn)行分析發(fā)現(xiàn)，3口試驗(yàn)池塘均在養(yǎng)殖周期前后經(jīng)過了標(biāo)準(zhǔn)化池塘改造，養(yǎng)殖品種分別為南美白對(duì)蝦、青蝦和中華絨螯蟹，養(yǎng)殖模式雖有所差異，但在養(yǎng)殖生產(chǎn)周期內(nèi)，各試驗(yàn)池塘均定期進(jìn)行水質(zhì)調(diào)控和設(shè)備清洗等日常生產(chǎn)管理行為。事實(shí)上，傳感器的工作環(huán)境復(fù)雜，表面易附著各種藻類、淤泥和微生物等，使得水質(zhì)數(shù)據(jù)流在采集過程中容易出現(xiàn)誤差。綜合改進(jìn)SVDD在3口池塘水質(zhì)數(shù)據(jù)流的異常檢測(cè)結(jié)果，該算法的檢測(cè)性能較穩(wěn)定，能夠?qū)崿F(xiàn)水質(zhì)數(shù)據(jù)流的可靠性和有效性檢測(cè)。

2）改進(jìn)SVDD在不同大小樣本集中的檢測(cè)分析

本文以1號(hào)池塘采集的3組樣本為試驗(yàn)對(duì)象，分別測(cè)試樣本在不同試驗(yàn)樣本量條件下改進(jìn)SVDD異常檢測(cè)算法的檢測(cè)性能情況，檢測(cè)結(jié)果如表3所示。表3顯示，改進(jìn)SVDD算法在1號(hào)池塘第一組No.1、第二組No.2和第三組No.3樣本集中的檢測(cè)結(jié)果TPR值分別為96.13%、99.94%和99.83%。誤報(bào)率FPR值分別為0、32.14%和0。雖然樣本大小有不同，但改進(jìn)SVDD算法的檢測(cè)準(zhǔn)確率Accuracy值無較大差異，且無明顯變化規(guī)律。

同時(shí)，本文選擇D-SVDD對(duì)比算法來驗(yàn)證改進(jìn)SVDD算法的模糊隸屬度函數(shù)改進(jìn)操作的優(yōu)越性。將SVDD對(duì)比算法驗(yàn)證改進(jìn)SVDD算法的檢測(cè)精度，F(xiàn)astFood算法則作為運(yùn)行時(shí)間對(duì)比算法驗(yàn)證改進(jìn)SVDD的運(yùn)行效率。各算法均進(jìn)行多次試驗(yàn)，并取其運(yùn)行平均時(shí)間作為效率指標(biāo)，具體對(duì)比結(jié)果如圖4所示。

如圖4所示，隨著樣本量的增大，4種檢測(cè)算法的檢測(cè)時(shí)間隨之增加；在4種算法中，改進(jìn)SVDD算法的平均檢測(cè)時(shí)間與D-SVDD算法相近；FastFood算法具有最快的檢測(cè)速度，在3個(gè)試驗(yàn)數(shù)據(jù)集中的運(yùn)行時(shí)間均不高于0.6 s，檢測(cè)時(shí)間明顯低于其他3種。SVDD算法的檢測(cè)時(shí)間隨著樣本量的增加快速增加。這主要是由于本文的異常檢測(cè)方法與D-SVDD算法均需要考慮數(shù)據(jù)的密度分布，二者的算法原理相似。而FastFood是一種近似核函數(shù)映射的SVDD算法，算法的復(fù)雜度低于其他3種算法。

3）不同方法在不同池塘中異常檢測(cè)的結(jié)果分析

為了深入分析改進(jìn)SVDD算法的適用性，對(duì)比了不同檢測(cè)算法在不同試驗(yàn)池塘水質(zhì)數(shù)據(jù)流中的檢測(cè)效果。選擇ROC（Receiver Operating Characteristic）曲線[26-28]對(duì)各檢測(cè)算法進(jìn)行綜合性能評(píng)估。在1號(hào)池塘、3號(hào)池塘和13號(hào)池塘的各異常檢測(cè)算法的ROC曲線如圖5所示。

由圖5可以發(fā)現(xiàn)，在3個(gè)試驗(yàn)池塘中，改進(jìn)SVDD算法的ROC曲線下的面積（AUC值）最大，最接近1。因此，相比其他3個(gè)算法，改進(jìn)SVDD算法的檢測(cè)性能具有顯著的優(yōu)勢(shì)。同時(shí)，在3號(hào)池塘中FastFood算法明顯更靠近對(duì)角參考線，故其ROC曲線下的面積最小，檢測(cè)性能最差。在13號(hào)和1號(hào)池塘中傳統(tǒng)SVDD算法更靠近對(duì)角參考線，故其ROC曲線下的面積最小，檢測(cè)性能最差。且D-SVDD算法在3號(hào)和1號(hào)池塘中的ROC曲線與改進(jìn)SVDD基本重合，AUC值較接近1，因此該算法的檢測(cè)性能較FastFood和SVDD更好。綜上，在不同的試驗(yàn)池塘中，改進(jìn)SVDD均有較高的檢測(cè)正確率和較低的檢測(cè)誤報(bào)率，算法的檢測(cè)性能較穩(wěn)定。

為了充分了解不同檢測(cè)算法的實(shí)際試驗(yàn)結(jié)果情況，表4列出不同檢測(cè)算法在不同試驗(yàn)池塘的異常檢測(cè)結(jié)果。由表4可以發(fā)現(xiàn)，改進(jìn)SVDD算法在13號(hào)、3號(hào)和1號(hào)池塘中的檢測(cè)正確率TPR值較D-SVDD算法分別提高了24.54%、5.53%和5.72%；較SVDD算法分別提高了34.06%、20.29%和52.22%；較FastFood算法則分別提高了1.32%、19.03%和23.95%。而該算法在3號(hào)和1號(hào)池塘中的檢測(cè)誤報(bào)率FPR與D-SVDD和SVDD算法相同，均為0。在13號(hào)和3號(hào)池塘中檢測(cè)FPR值較FastFood算法有明顯降低。同時(shí)，改進(jìn)SVDD算法在13號(hào)、3號(hào)和1號(hào)池塘中的檢測(cè)準(zhǔn)確率Accuracy指標(biāo)較D-SVDD算法分別提高了23.08%、5.24%和5.54%；較SVDD算法分別提高了31.96%、19.12%和49.85%；較FastFood算法則分別提高了1.59%、18.14%和49.85%。

同時(shí)，對(duì)表4中不同檢測(cè)算法在不同池塘中的檢測(cè)時(shí)間進(jìn)行分析可以發(fā)現(xiàn)，在3口池塘數(shù)據(jù)集中，F(xiàn)astFood算法的運(yùn)行時(shí)間明顯低于其他3個(gè)算法。在1號(hào)和3號(hào)池塘中，改進(jìn)SVDD算法的運(yùn)行時(shí)間與D-SVDD算法相近。在1號(hào)池塘中，傳統(tǒng)SVDD算法運(yùn)行時(shí)間最長(zhǎng)。結(jié)果表明，改進(jìn) SVDD 算法具有較高的檢測(cè)性能，該算法在 3 口池塘的最高異常檢測(cè)正確率 TPR（True Positive Rate）值達(dá)到99.83%，最高檢測(cè)準(zhǔn)確率 Accuracy達(dá)到99.83%，明顯優(yōu)于 D-SVDD 和傳統(tǒng) SVDD 算法，且最低運(yùn)行時(shí)間僅 1.34 s。結(jié)果可為水質(zhì)數(shù)據(jù)流異常監(jiān)測(cè)提供技術(shù)支持。

事實(shí)上，綜合上述所有試驗(yàn)結(jié)果進(jìn)行分析，盡管試驗(yàn)池塘環(huán)境和試驗(yàn)數(shù)據(jù)量不同，但是改進(jìn)SVDD算法較傳統(tǒng)算法（如SVDD算法）、其他同類型算法（如D-SVDD算法）或典型算法（如FastFood算法），均能獲得較穩(wěn)定的異常檢測(cè)性能，實(shí)現(xiàn)水質(zhì)數(shù)據(jù)流的可靠性和有效性檢測(cè)，為水產(chǎn)養(yǎng)殖水質(zhì)數(shù)據(jù)流的檢測(cè)預(yù)警提供可靠的決策依據(jù)。

表4 不同檢測(cè)算法在不同試驗(yàn)池塘的檢測(cè)結(jié)果對(duì)比

4 結(jié) 論

針對(duì)養(yǎng)殖水體中水質(zhì)數(shù)據(jù)流的異常問題，提出了一種新型的改進(jìn)SVDD異常檢測(cè)方法。引入基于相對(duì)密度的模糊隸屬度函數(shù)對(duì)傳統(tǒng)SVDD算法進(jìn)行補(bǔ)償，利用Parzen-Window算法估算數(shù)據(jù)的概率密度。并使用馬氏距離改進(jìn)Parzen-Window的高斯窗函數(shù)，從而提高水質(zhì)數(shù)據(jù)流異常檢測(cè)的準(zhǔn)確度。經(jīng)過不同的核函數(shù)異常檢測(cè)測(cè)試，確定最適合的核函數(shù)。在不同的數(shù)據(jù)集中進(jìn)行異常檢測(cè)試驗(yàn)，改進(jìn)SVDD均達(dá)到了較好的檢測(cè)效果。同時(shí)，對(duì)比不同的異常檢測(cè)算法，在不同的池塘水質(zhì)數(shù)據(jù)流中，改進(jìn)SVDD算法的平均異常檢測(cè)正確率TPR值達(dá)到99.83%，最高檢測(cè)準(zhǔn)確率Accuracy值達(dá)到99%，且運(yùn)行速度較快。本文的試驗(yàn)結(jié)果對(duì)改進(jìn)和應(yīng)用現(xiàn)有的有監(jiān)督型數(shù)據(jù)流異常檢測(cè)算法提供了一定的理論參考。

[1] 張錚，曹守啟，朱建平，等. 面向大面積漁業(yè)環(huán)境監(jiān)測(cè)的長(zhǎng)距離低功耗LoRa傳感器網(wǎng)絡(luò)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(1)：164-171.

Zhang Zheng, Cao Shouqi, Zhu Jianping, et al. Long range low power sensor networks with LoRa sensor for large area fishery environment monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 164-171. (in Chinese with English abstract)

[2] 焦賢龍，王剛，田海琛，等. 基于相繼干擾消除的無線傳感網(wǎng)低時(shí)延廣播算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2019，42(11)：2526-2538.

Jiao Xianlong, Wang Gang, Tian Haishen, et al. Successive interference cancellation based low-delay broadcast algorithms for wireless sensor networks[J]. Chinese Journal of Computers, 2019, 42(11): 2526-2538. (in Chinese with English abstract)

[3] 張懷峰，江婧，張香燕，等. 面向衛(wèi)星電源系統(tǒng)的一種新穎異常檢測(cè)方法[J]. 宇航學(xué)報(bào)，2019，40(12)：1468-1477.

Zhang Huaifeng, Jiang Jing, Zhang Xiangyan, et al. Novel anomaly detection method for satellite power system[J]. Journal of Astronautics, 2019, 40(12): 1468-1477. (in Chinese with English abstract)

[4] Lee S, Kim G, Kim S. Self-adaptive and dynamic clustering for online anomaly detection[J]. Expert Systems with Applications, 2011, 38(12): 14891-14898.

[5] 唐斯琪，潘志松. 基于流形學(xué)習(xí)的網(wǎng)絡(luò)數(shù)據(jù)流異常檢測(cè)[J]. 濟(jì)南大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，31(2)：118-128.

Tang Siqi, Pan Zhisong. Anomaly detection in network traffic flow based on manifold learning[J]. Journal of University of Jinan: Science and Technology, 2017, 31(2): 118-128. (in Chinese with English abstract)

[6] Kim T Y, Cho S B. Web traffic anomaly detection using C-LSTM neural networks[J]. Expert Systems with Applications, 2018, 106: 66-76.

[7] Xu X, Liu Y, Liu S, et al. Real-time detection of potable-reclaimed water pipe cross-connection events by conventional water quality sensors using machine learning methods[J]. Journal of Environmental Management, 2019, 238(3): 201-209.

[8] 肖利平，全臘珍，余波，等. 基于改進(jìn)CoSaMP的農(nóng)田信息異常事件檢測(cè)算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50(10)：230-235.

Xiao Liping, Quan Lazhen, Yu Bo, et al. Anomaly event detection for farmland information monitoring based on improved CoSaMP[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(10): 230-235. (in Chinese with English abstract)

[9] 亞森江·加入拉，高建民，高智勇，等. 一種復(fù)雜機(jī)電系統(tǒng)LE-SVDD異常監(jiān)測(cè)方法[J]. 振動(dòng)、測(cè)試與診斷，2017，37(3)：469-475.

YasenJiang·Jiarula, Gao Jianmin, Gao Zhiyong, et al. Laplacian eigenmaps-support vector domain description method for complex electromechanical system[J]. Journal of Vibration, Measurement & Diagnosis, 2017, 37(3): 469-475. (in Chinese with English abstract)

[10] 謝彥紅，孫呈敖，李元. 加權(quán)動(dòng)態(tài)SVDD在非線性過程監(jiān)測(cè)中的應(yīng)用研究[J]. 系統(tǒng)仿真學(xué)報(bào)，2017，29(7)：1506-1513.

Xie Yanhong, Sun Chengao, Li Yuan. Application of weighted dynamic SVDD in nonlinear process monitoring[J]. Journal of System Simulation, 2017, 29(7): 1506-1513. (in Chinese with English abstract)

[11] 張漢元，田學(xué)民. 基于KSFDA-SVDD的非線性過程故障檢測(cè)方法[J]. 化工學(xué)報(bào)，2016，67(3)：827-832.

Zhang Hanyuan, Tian Xuemin. Nonlinear process fault detection based on KSFDA and SVDD[J]. Journal of Chemical Industry and Engineering (China) (CIESC )Journal, 2016, 67(3): 827-832. (in Chinese with English abstract)

[12] Cha M, Kim J S, Baek J G. Density weighted support vector data description[J]. Expert Systems with Applications, 2014, 41(7), 3343-3350.

[13] 陶新民，李晨曦，李青，等. 不均衡最大軟間隔SVDD軸承故障檢測(cè)模型[J]. 振動(dòng)工程學(xué)報(bào)，2019，32(4)：718-729.

Tao Xinmin, Li Chenxi, Li Qing, et al. Rolling bearings fault detection model using imbalanced maximum soft margin support vector domain description[J]. Journal of Vibration Engineering, 2019, 32(4): 718-729. (in Chinese with English abstract)

[14] 羅鵬，王布宏，李騰耀. 基于BiGRU-SVDD的ADS-B異常數(shù)據(jù)檢測(cè)模型[J]. 航空學(xué)報(bào)，2020，41(10)：281-291.

Luo Peng, Wang Buhong, Li Tengyao. ADS-B anomaly data detection model based on BIGRU-SVDD[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(10): 281-291. (in Chinese with English abstract)

[15] 陳士剛，關(guān)永剛，張小青，等. 不完備故障類別下基于Multi-SVDD的高壓隔離開關(guān)故障診斷方法[J]. 電工技術(shù)學(xué)報(bào)，2018，33(11)：2439-2447.

Chen Shigang, Guan Yonggang, Zhang Xiaoqing, et al. Diagnosis method of high voltage isolating switch fault based on multi-SVDD under incomplete fault type[J]. Transactions of China Electro technical Society, 2018, 33(11): 2439-2447. (in Chinese with English abstract)

[16] 樓俊鋼，蔣云良，申情，等. 軟件可靠性預(yù)測(cè)中不同核函數(shù)的預(yù)測(cè)能力評(píng)估[J]. 計(jì)算機(jī)學(xué)報(bào)，2013，36(6)：1303-1311.

Lou Jungang, Jiang Yunliang, Sheng Qing, et al. Evaluation the prediction performance of different kernel functions in kernel based software reliability models[J]. Chinese Journal of Computers, 2013, 36(6): 1303-1311. (in Chinese with English abstract)

[17] 李杰，陳建兵，張琳琳. 隨機(jī)過程的概率密度函數(shù)估計(jì)[J]. 應(yīng)用力學(xué)學(xué)報(bào)，2010，27(3)：481-485.

Li Jie, Chen Jianbing, Zhang Linlin. Moment method for global sensitivity analysis in multiple failure modes[J]. Chinese Journal of Applied Mechanics, 2010, 27(3): 481-485. (in Chinese with English abstract)

[18] 楊楠，周崢，陳道君，等. 基于非參數(shù)核密度估計(jì)的風(fēng)功率波動(dòng)性概率密度建模方法[J]. 太陽能學(xué)報(bào)，2019，48(7)：2028-2035.

Yang Nan, Zhou Zheng, Chen Daojun, et al. Research of modeling method based on non-parametric kernel density estimation of probability of wind power fluctuations[J]. Acta Energiae Solaris Sinica, 2019, 48(7): 2028-2035. (in Chinese with English abstract)

[19] 呂鵬飛，閆云聚，荔越. 基于馬氏距離的改進(jìn)核Fisher化工故障診斷研究[J]. 自動(dòng)化學(xué)報(bào)，2020，46(11)：143-155.

Lv Pengfei, Yan Yunju, Li Yue. Research on fault diagnosis of improved kernel fisher based on mahalanobis distance in the field of chemical industry[J]. Acta Automatica Sinica, 2020, 46(11): 143-155. (in Chinese with English abstract)

[20] Lin C F, Wang S D. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 464-471.

[21] 張鐵民，黃俊端. 基于音頻特征和模糊神經(jīng)網(wǎng)絡(luò)的禽流感病雞檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(2)：8-174.

Zhang Tiemin, Huang Junduan. Detection of chicken infected with avian influenza based on audio features and fuzzy neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 168-174. (in Chinese with English abstract)

[22] Mcintosh A R, Grady C L, Haxby J V, et al. Within-subject transformations of PET regional cerebral blood flow data: ANCOVA, ratio, and Z-score adjustments on empirical data[J]. Human Brain Mapping, 2015, 4(2): 93-102.

[23] Ali K, Liu A X, Chai E, et al. Monitoring browsing behavior of customers in retail stores via RFID imaging[J]. IEEE Transactions on Mobile Computing, 2020, (99): 1-14.

[24] 謝為俊，魏碩，鄭招輝，等. 深度多分支模型融合網(wǎng)絡(luò)的胡蘿卜缺陷識(shí)別與分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(2)：177-186.

Xie Weijun, Wei Shuo, Zheng Zhaohui, et al. Classification and segmentation of defect carrots using deep multi-branch models fusion network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 177-186. (in Chinese with English abstract)

[25] 段青玲，肖曉琰，劉怡然，等. 基于SW-SVR的畜禽養(yǎng)殖物聯(lián)網(wǎng)異常數(shù)據(jù)實(shí)時(shí)檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(8)：159-165.

Duan Qingling, Xiao Xiaoyan, Liu Yiran, et al. Anomaly data real-time detection method of livestock breeding internet of things based on SW-SVR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8): 159-165. (in Chinese with English abstract)

[26] Le Q V, Sarlos T, Smola A J. FastFood: Approximate kernel expansions in loglinear time[C]. // In: JMLR Workshop and Conference Proceedings. Atlanta: Microtome Publishing, 2013, 244-525.

[27] 邵園園，王永賢，玄冠濤，等. 高光譜成像快速檢測(cè)殼聚糖涂膜草莓可溶性固形物[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(18)：245-254.

Shao Yuanyuan, Wang Yongxian, Xuan Guantao, et al. Rapid detection of soluble solids content in strawberry coated with chitosan based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 245-254. (in Chinese with English abstract)

[28] Pan D, Liu D, Zhou J, et al. Anomaly detection for satellite power subsystem with associated rules based on kernel principal component analysis[J]. Microelectronics Reliability, 2015, 55(9): 2082-2086.

Abnormal detection of aquaculture water quality data stream using an improved SVDD in pond

Shi Pei1,2, Kuang Liang3, Tang Yue1,2,Yuan Yongming4,Yu Xiaodong1,2

(1.,,214105; 2.,214105; 3.,,214153,; 4.,,214081,)

An anomaly detection of the data stream has been one of the most critical subjects for the monitoring of water quality in aquaculture. The data stream of water quality collected by wireless sensor network is normally difficult to be detected accurately, due to the characteristics of high complexity, instability, and nonlinearity. The traditional support vector data description (SVDD) presents a relatively low recognition on a small number of abnormal samples under the condition of data imbalance. The noise samples have also a great interference to the anomaly detection, leading to the specific features that cannot be captured completely. In this study, an improved support vector data description (improved SVDD) was proposed to strengthen the detection capability of the sensor data stream. First, a mahalanobis distance was applied to enhance the Gaussian function of Parzen-Window, thus avoiding data interference in the process of classification. Then, the improved Parzen-Window function was utilized to realize the density estimation of training data. As such, the data classification was completed to extract the distribution of training data. In this case, the new ISVDD model was constructed to combine the fuzzy membership function. Thus, the interference of the model from the noise samples was significantly reduced to improve the classification accuracy. Finally, the abnormal detection effect of SVDD different kernel functions was compared to determine the optimal kernel function, according to the performances. The density-weighted support vector data description (D-SVDD), traditional support vector data description (improved SVDD), and the FastFood were selected to verify the performance in different testing datasets of three ponds. The D-SVDD was used to verify the superiority of the fuzzy membership function during improvement operation. The traditional SVDD was used to verify the detection precision of improved SVDD. The FastFood was taken to verify the running efficiency. All detections were tested several times to choose the average values as the final. The true positive rate (TPR), false negative rate (FPR), accuracy value, and running time were used as the detection performance to evaluate all models. The experimental results showed that the improved SVDD presented a higher detection performance. Among them, the maximum TPR value of ISVDD was 99.83%, the minimum FPR value reached zero, the maximum accuracy value of anomaly detection was 99.83%, and the minimum running time was 1.34 s. It indicated that the improved SVDD presented a superior performance than the D-SVDD and traditional SVDD. The detection performance demonstrated that the different kernel functions in SVDD and different detection were identified in all testing ponds during the aquaculture period. In addition, the expanding boundary of normal and abnormal data was achieved using the density-weighted and fuzzy membership function with a greatly better performance of abnormal detection. The finding can provide a new idea to improve the accuracy of anomaly detection in the whole aquaculture cycle. Meanwhile, the experimental and improved SVDD can be expected to serve as a theoretical reference to enhance the supervised level of anomaly detection.

aquaculture; water quality; data stream; density compensation; support vector data description

2021-07-20

2021-11-28

江蘇省高校自然科學(xué)基金面上項(xiàng)目（21KJB520020）；南京信息工程大學(xué)濱江學(xué)院人才啟動(dòng)經(jīng)費(fèi)資助（2021r038）；國(guó)家自然科學(xué)基金項(xiàng)目（62072216）；現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系專項(xiàng)（CARS-46）

施珮，博士，講師，研究方向?yàn)檗r(nóng)業(yè)物聯(lián)網(wǎng)和邊緣計(jì)算。Email：njxk_sp@163.com

10.11975/j.issn.1002-6819.2021.24.028

TP39；TP212；TP274.2

A

1002-6819(2021)-24-0249-08

施珮，匡亮，唐玥，等. 基于改進(jìn)SVDD算法的池塘水質(zhì)數(shù)據(jù)流異常檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(24)：249-256. doi：10.11975/j.issn.1002-6819.2021.24.028 http://www.tcsae.org

Shi Pei, Kuang Liang, Tang Yue, et al. Abnormal detection of aquaculture water quality data stream using an improved SVDD in pond[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(24): 249-256. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.24.028 http://www.tcsae.org