施 珮，匡 亮，唐 玥，袁永明，余晓栋

基于改进SVDD算法的池塘水质数据流异常检测

施 珮1,2，匡 亮3，唐 玥1,2，袁永明4，余晓栋1,2

（1. 南京信息工程大学滨江学院，无锡 214105；2. 江苏省物联网设备超融合与安全工程研究中心，无锡 214105；3. 江苏信息职业技术学院物联网工程学院，无锡 214153；4. 中国水产科学研究院淡水渔业研究中心，无锡 214081）

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（Support Vector Data Description，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。

水产养殖；水质；数据流；密度补偿；支持向量数据描述

0 引 言

在集约化的水产养殖中，传感器网络作为一种常见的技术被应用于养殖水体的环境监测[1]。通过部署多种传感器节点，可以不间断地采集水质数据，构成具有时间特性的传感器数据流。……