一种基于方差分量估计的异常定位数据实时检测方法
轨迹数据挖掘中的异常检测研究
轨迹数据挖掘中的异常检测研究轨迹数据是指记录在时间和空间上移动物体运动轨迹的数据，例如GPS记录的汽车行驶轨迹、航空公司记录的飞机飞行轨迹等等。
随着轨迹数据的普及和应用，轨迹数据挖掘逐渐成为热门研究领域之一。
而在轨迹数据挖掘中，异常检测则是其中一个重要的研究方向。
一、轨迹数据挖掘简介轨迹数据挖掘可以分为三个主要的方向：轨迹分类、轨迹聚类和轨迹异常检测。
其中，轨迹分类是将轨迹划分为不同类别，轨迹聚类是将轨迹分组，而轨迹异常检测则是找到那些与其他轨迹不同或偏离轨迹群体分布的轨迹。
轨迹异常检测的应用场景非常广泛，例如犯罪侦查、城市交通分析等等。
二、轨迹异常检测技术轨迹异常检测技术主要有三种方法：基于统计学的方法、基于机器学习的方法以及混合方法。
下面分别介绍这三种方法。
1、基于统计学的方法基于统计学的方法是通过对轨迹数据的分布、均值、方差等参数进行分析，确定轨迹中异常点的位置。
这类方法适用于轨迹数据的样本量较大，且分布规律较为明显的情况。
常用的统计学方法包括箱线图分析、正态分布检验、t检验等。
2、基于机器学习的方法基于机器学习的方法是利用分类、聚类、回归等机器学习方法对轨迹数据进行异常检测。
这类方法通常需要经过数据预处理、特征提取和模型训练三个步骤。
对于轨迹异常检测，常用的机器学习方法包括支持向量机、随机森林、神经网络等。
3、混合方法混合方法是将基于统计学和机器学习的方法相结合，以得到更加准确、稳定的异常检测结果。
这类方法常见的形式是先利用基于统计学的方法对异常轨迹进行初步筛选，然后再利用基于机器学习的方法进行进一步检测和分类。
值得注意的是，混合方法需要考虑两种方法之间的协同作用，才能得到好的效果。
三、轨迹异常检测的挑战和发展虽然在轨迹异常检测的研究中已经有了许多成熟的方法和工具，但是仍然存在一些挑战和发展机遇。
1、缺乏标签数据传统的机器学习方法需要大量的标签数据，但是在轨迹异常检测中，标签数据通常是非常难以获取的，因此数据标注成为了一个难点。
方差分量估计方法对比分析
} V1 = B1 X^ - L1
V2 = B2 X^ - L2
(3)
摇 摇 且有下列关系式
L
=
éëêê
L1 L2
ùûúú
,V
=
éëêê
V1 V2
ùûúú
,B
=
éëêê
B1 B2
ùûúú
,P
=
éëêê
P1 0
0 P2
ùûúúபைடு நூலகம்
N = BT PB = B1T P1 B1 + B2T P2 B2 = N1 + N2 W = BT PL = B1T P1 L1 + B2T P2 L2 = W1 + W2 (4)
Zheng Rong1 摇 He Siyuan2
摇 摇 摘摇 要摇 模拟一个边角网的观测数据,对比 Helmert 方差分量估计严密方法及其两种简化算法、最 小范数二次无偏估计( MINQUE) 、基于最小二乘残差方程的方差分量估计算法( LS-MINQUE) 和 L 算法 在计算效率及精度方面的差别。 结果表明,方差分量的估计结果具有随机性,但是从统计结果来看, 6 种方法的统计结果与模拟精度一致,从计算效率来看,Hels2( Helmert 第 2 种简化算法) 相较于 Helmert 严密算法和 MINQUE 的计算时间提高率为 55% ~ 75% ,表明在迭代阈值相同时,Helmert 方差分量估计 的第二种简化算法计算效率最优,计算精度与严密方法相当。
摇 摇 推导得到方差-协方差分量估计的通用公式为
摇 摇 式中
S q^
2伊2 2伊1
=
Wq
2伊1
(5)
S=
éên1 - 2tr( N -1 N1 ) + tr( N -1 N1 ) 2 ,tr( N -1 N1 N -1 N2 ) ùú
基于多级核密度估计的异常数据检测算法
基于多级核密度估计的异常数据检测算法随着大数据时代的到来，数据变得越来越复杂和庞大，并且包含了大量的异常数据（Outlier），这些数据与正常数据的特征不同，可能是噪声、欺诈、错误或者是其他未知的原因造成的。
异常数据的存在会对数据分析和挖掘带来一定的干扰和误导，因此异常数据的检测与处理是数据预处理的重要任务。
目前，异常数据检测算法主要分为基于模型的方法和非参数方法。
基于模型的方法包括统计模型、机器学习模型、聚类模型等，这些方法通常要求提前假设数据的概率分布或者确定一些预设模型参数，但是很难应对数据分布的复杂性和未知性。
而非参数方法通常不需要事先假设分布模型和参数，具有更强的适应性和鲁棒性。
本文将介绍一种基于多级核密度估计的异常数据检测算法。
该算法将多个核密度估计结果进行级联，通过计算不同层级之间的密度变化大小和方向，探测出异常数据的存在。
该算法无需任何假设条件或者参数设置，可以适用于不同分布形态的数据集，并且具有较高的准确性和鲁棒性。
一、多级核密度估计基本原理核密度估计是一种非参数方法，通常用来描述数据的概率密度函数。
在一维数据集上，核密度函数可以表示为：$$\hat {f}_{h}(x)={\frac {1}{nh}}\sum _{i=1}^{n}K\left({\frac {x-x_{i}}{h}}\right)$$其中，$K$是核函数，$h$是带宽参数。
核函数通常是对称的、正定、在定义域内积分为$1$的函数，比如高斯函数和Epanechnikov函数。
带宽参数控制了核函数在每个数据点的“宽度”，影响了核密度估计结果的平滑程度和精度。
为了将核密度估计从一维数据推广到多维数据，可以采用多维核密度估计方法。
在二维数据集上，多维核密度函数可以表示为：$$\hat {f}_{h}(\textbf{x})={\frac {1}{nh^{d}}} \sum _{i=1}^{n}K\left({\frac {\textbf{x}-\textbf{x}_{i}}{h}}\right)$$其中，$\textbf{x}$是一个$d$维向量，$h$是$d$个带宽参数的向量，$d$是数据的维数。
sift方法
sift方法
SIFT是一种计算机视觉特征检测和描述算法。
它是Scale-invariant feature transform的缩写，即尺度不变特征转换。
SIFT 算法用于在数字图像中检测和描述局部特征，这些局部特征在尺度、旋转和仿射失真下都具有不变性。
SIFT算法通过找到关键点和描述其特征向量来实现特征检测和描述。
SIFT算法包含四个主要步骤：尺度空间极值检测、关键点定位、方向估计和特征描述。
在尺度空间极值检测中，SIFT通过高斯差分空间来检测可能的关键点。
在关键点定位中，SIFT对于每个检测到的极值点计算其稳定性。
在方向估计中，SIFT通过检测图像的梯度方向来计算每个关键点的主方向。
在特征描述中，SIFT通过将关键点周围的梯度方向分布转换为特征向量来描述每个关键点的局部特征。
SIFT算法在计算机视觉和图像处理领域有广泛的应用，包括目标识别、图像匹配和三维重建等方面。
SIFT算法的不变性和描述特点使得其能够处理多种不同类型的图像，并获得较好的匹配效果。
基于无监督学习的异常检测算法
基于无监督学习的异常检测算法引言随着数据的快速增长和信息技术的迅猛发展，异常检测成为了数据分析和机器学习领域中一个重要的研究方向。
异常检测算法可以帮助我们发现数据中的异常行为，从而提供了保障数据质量和系统安全性的手段。
然而，由于异常样本通常是少数，且在大规模数据集中分布稀疏，传统的监督学习方法在处理异常检测问题上存在一定局限性。
无监督学习方法因其不依赖标签信息而备受关注，并在解决大规模、高维度、不平衡样本分布等问题上展现出了出色的性能。
本文将重点介绍基于无监督学习的异常检测算法，并探讨其在实际应用中所面临的挑战与解决方案。
一、基本概念1. 异常检测异常检测是指通过对已知样本集进行建模，然后对新样本进行评估以判断其是否为正常行为或是潜在威胁行为。
其目标是从大量正常样本中找出与众不同或不符合预期模式的样本。
异常检测广泛应用于金融风险管理、网络入侵检测、工业质量控制等领域。
2. 无监督学习无监督学习是指从无标签数据中学习数据的内在结构和模式。
与监督学习不同，无监督学习不依赖于标签信息，而是通过自动发现数据中的规律和模式。
常见的无监督学习算法包括聚类、降维和异常检测等。
二、基于无监督学习的异常检测算法1. 基于统计方法的异常检测算法统计方法是最常用且最简单直观的异常检测方法之一。
该方法通过对数据进行统计分析，利用样本之间的距离或离群程度来判断样本是否为异常。
常见的统计方法包括箱线图、Z-score等。
2. 基于聚类分析的异常检测算法聚类分析是一种将相似对象归为一类，将不相似对象归为不同类别的技术。
基于聚类分析进行异常检测时，可以将样本划分为多个簇，并通过判断簇内外距离来确定是否为异常样本。
3. 基于降维技术的异常检测算法降维技术是将高维数据映射到低维空间的一种技术，可以帮助我们发现数据中的主要特征。
基于降维技术的异常检测算法可以通过将数据映射到低维空间，然后通过计算样本在低维空间中的距离或离群程度来判断是否为异常样本。
基于LOF算法的异常流检测方法
基于LOF算法的异常流检测方法异常流检测在网络安全领域扮演着至关重要的角色。
它可以帮助监测网络中的异常数据流量，及时发现并应对潜在的网络攻击。
本文将介绍一种基于局部离群因子（LOF）算法的异常流检测方法，并分析其优势和适用场景。
一、引言随着互联网的迅猛发展，网络中存在大量的流量数据。
正常的网络流量具有一定的统计规律，而异常流量则可能暗示着潜在的攻击行为。
因此，寻找一种高效准确的异常流检测方法对于网络安全至关重要。
二、局部离群因子（LOF）算法简介LOF算法是一种基于密度的异常检测方法，通过计算每个数据点与其邻近数据点之间的密度比值来确定数据点的异常程度。
LOF算法的优势在于不需要事先假设数据集中的异常点数量，并且适用于处理高维数据。
三、基于LOF算法的异常流检测方法1. 数据预处理在应用LOF算法进行异常流检测之前，首先需要对原始数据进行预处理。
这包括数据采集、清洗、特征提取等步骤。
确保数据的准确性和一致性对于获得可靠的异常检测结果至关重要。
2. LOF算法流程（1）计算数据点之间的距离在LOF算法中，通常使用欧氏距离或曼哈顿距离计算数据点之间的距离。
根据具体的业务需求选择合适的距离度量方式。
（2）确定数据点的邻近点集合通过指定一个合适的邻近参数k，确定每个数据点的邻近点集合。
邻近参数k代表每个数据点的k个最近邻点。
（3）计算局部可达密度（LRD）局部可达密度（Local Reachability Density，LRD）用于衡量一个数据点相对于其邻近点集合的密度。
计算LRD值可以通过以下公式表示：$$LRD(A) = \frac{1}{{\frac{{\sum_{B \in N(A)}reachdist(B,A)}{}}{k}}}$$其中，N(A)表示数据点A的邻近点集合，reachdist(B,A)表示数据点B与A之间的可达距离。
（4）计算局部离群因子（LOF）局部离群因子（Local Outlier Factor，LOF）用于衡量一个数据点相对于其邻近点集合的异常程度。
基于DiPCA的故障预测算法研究
基于DiPCA的故障预测算法研究故障预测是现代工业领域中的重要任务之一。
提前预知设备或系统出现故障的可能性，可以帮助企业采取相应的维修或更换措施，避免生产中断和损失。
然而，由于设备和系统的复杂性和多变性，准确地预测故障仍然是一个具有挑战性的问题。
近年来，随着数据科学和机器学习的快速发展，基于数据驱动的故障预测算法受到了广泛关注。
其中，基于主成分分析（Principal Component Analysis，PCA）的方法被广泛应用于故障预测任务中。
然而，传统PCA算法在处理非线性和多模态数据时存在一定的局限性。
为了克服传统PCA算法的局限性，研究人员提出了一种新的故障预测算法，基于动态非线性主成分分析（Dynamic non-linear Principal Component Analysis，DiPCA）。
DiPCA是在传统PCA 算法的基础上进行改进和优化，能够更好地处理非线性和多模态数据。
DiPCA算法的核心思想是通过引入时间信息和非线性变换，将高维数据映射到低维子空间中。
首先，DiPCA将数据集按时间序列进行排序，以捕捉故障发展的动态信息。
然后，通过非线性变换，将数据映射到新的特征空间中。
最后，利用主成分分析的思想，提取出最具有代表性的特征，并进行故障预测。
与传统PCA算法相比，DiPCA算法在故障预测任务中具有更高的准确性和鲁棒性。
它不仅能够处理非线性和多模态数据，还能够捕捉到故障发展的动态变化。
因此，DiPCA算法在工业领域的故障预测中具有广泛的应用前景。
然而，DiPCA算法也存在一些挑战和限制。
首先，数据的预处理和特征提取过程比较复杂，需要一定的领域知识和技术经验。
其次，算法的计算复杂度较高，对计算资源要求较高。
此外，DiPCA算法对于数据的噪声和异常值比较敏感，需要对数据进行有效的清洗和筛选。
在未来的研究中，可以进一步改进和优化DiPCA算法，提高其在故障预测中的性能和可靠性。
智能运维中多维监测指标异常定位算法及试验研究
的均值赋值给 f（e）；v（e）为智能运维监控系统在数据立方
体下的实测结果 ；作为 e 的子代元素，ei' 的预测值为 f（ei'），
其在元素 e 中占有一定的比例，该比例关系记为 a（ei'），其计
算过程如公式（8）所示。
a ei'
f
e' h(e)u
f f
e' ,
e
f
e
图 1 VRNN 网络结构示意图
化的根因分析算法，实现过程如下。
2.1 定义算法中的符号
智能运维系统的监测指标通常具有多个维度，即使确定 了指标异常的具体时间点，但是各属性在异常现象中的作用 有所差异，问题也无法解决。因此只有确定根因属性的组合， 才能为异常问题的解决创造条件 [3]。智能运维系统的监测数据 由事件、时间戳以及属性值组成。事件包括多个属性，例如所 在省份（记为 P）、通信频道（记为 C）、数据中心（记为 D） 以及运行商类型（记为 I）。1 个事件记为 E（P，I，D，C）， 示例为（北京，电信，DC1，Channel3）。时间戳为系统检测出 的事件发生的具体时间点。将根因分析算法中的异常属性组 合记为 e=（p，i，d，c），其中的 4 个属性为各自对应属性集 中的 1 个元素。将所有属性组合 e 组成 1 个集合，将该集合记 为 LEAF，元素 e 在时间尺度下的实际值记为 v（e），其对应 值记为 Value。
ps（s）。将状态 s 转化为状态 s' 的动作值记为 Q（s，a），其计
算过程如公式（10）所示。
Q（s，a）=max ps（S（u）），u ∈ {s'}
（10）
式中 ：u 为集合。
MCTS 算法通过 4 个步骤进行根因分析。第一步为选择。
方差分量估计方法对比分析
方差分量估计方法对比分析郑蓉;何思源【摘要】模拟一个边角网的观测数据,对比Helmert方差分量估计严密方法及其两种简化算法、最小范数二次无偏估计(MINQUE)、基于最小二乘残差方程的方差分量估计算法(LS-MINQUE)和L算法在计算效率及精度方面的差别.结果表明,方差分量的估计结果具有随机性,但是从统计结果来看,6种方法的统计结果与模拟精度一致,从计算效率来看,Hels2(Helmert第2种简化算法)相较于Helmert严密算法和MINQUE的计算时间提高率为55％～75％,表明在迭代阈值相同时,Helmert方差分量估计的第二种简化算法计算效率最优,计算精度与严密方法相当.【期刊名称】《铁道勘察》【年(卷),期】2018(044)004【总页数】5页(P33-37)【关键词】方差分量估计方法;计算效率;计算精度【作者】郑蓉;何思源【作者单位】中国电力工程顾问集团西北电力设计院有限公司,陕西西安710075;中铁第一勘察设计院集团有限公司,陕西西安710043【正文语种】中文【中图分类】Q241.7在进行平差处理时，必须先建立与之相应的数学模型。
平差处理的数学模型由两部分组成，即函数模型和随机模型。
其中，函数模型表达的是观测量与观测量之间、观测量与待估参数之间的相互关系，随机模型表达的是观测噪声的一些随机特征，这里主要指观测误差Δ的数学期望和方差E(D)=h(1)(2)式中，为观测值的单位权方差，P为观测值的权阵。
平差数据处理中，最优的参数估计和合理的精度评定都是以正确的观测值随机模型(协方差阵)为前提，方差-协方差分量估计就是确定观测值的协方差阵。
采用传统的验前精度定权并不能得到合理的观测值随机模型，对参数估计也将产生影响。
因此，研究方差分量估计方法在数据平差处理中具有重要的意义。
从1924年Helmert提出先利用预平差得到改正数，然后按验后方法估计各类观测量方差开始，许多学者针对方差分量估计进行了大量的研究，先后导出了著名的最小范数二次无偏估计(MINQUE)，Helmert方差分量估计的严密公式及简化的迭代算法，最优二次无偏估计(BQUE)；於宗俦导出了适用于所有平差方法的Helmert方差协方差分量估计公式、最优不变二次无偏估计公式和极大似然估计公式。
针对异常序列检测的非法入侵识别算法
针对异常序列检测的非法入侵识别算法霍世敏;赵菊敏;李灯熬;朱飑凯【摘要】针对非法入侵带来的室内安全隐患,聚焦于目前应用广泛的Wi-Fi技术,首次设计提出了一种通过学习合法用户的行为习惯,再进行异常序列检测进而甄别非法入侵者的识别算法.对收集到Wi-Fi信号的CSI特征值进行去噪和信号分段,使用隐马尔科夫模型对用户的行为建模.根据模型输出的概率不断调整判断的阈值,使学习训练的模型随着时间的推移越来越符合用户的行为特征.实验结果表明检测准确率可以达到93.4%,达到了实时准确检测的目的.%Faced with indoor security problem brought by illegal intrusion and the prevalent Wi-Fi technique,this paper firstly designs a novel algorithm based on abnormal sequences detection to learn users'behavior habits to identify illegal intruder.The algorithm takes collected CSI(Channel State Information)as input signal.After denoising and segmenta-tion,the algorithm leveragesHMM(Hidden Markov Model)to learn users'behavior habits,and then adjusts detection threshold according to the output probability value.As time passed by, the model will be more close to users'behavior feature.Finally tailored models will be built for different users,and distinguish the intruder.Experiments have demonstrated that detection accuracy can achieve 93.4%,thus the algorithm has realized real-time correct identification purpose.【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)020【总页数】7页(P68-74)【关键词】入侵检测;Wi-Fi技术;异常序列检测;隐马尔科夫模型【作者】霍世敏;赵菊敏;李灯熬;朱飑凯【作者单位】太原理工大学信息工程学院,太原030024;太原理工大学信息工程学院,太原030024;太原理工大学信息工程学院,太原030024;太原理工大学信息工程学院,太原030024【正文语种】中文【中图分类】TP391室内安全隐患一直受到大众的关注。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 ２ ７卷第 １期 ２１ ０ ０年 Ｏ ２月
测 绘 科 学 技 术 学 报
Ｊ ｕ ｎ ｌｏ ｏ ｔ ｓＳｃｅ ｃ ｎ ｃ ｎｏｏ ｙ ｏ ｒ ａ ｆＧｅ ｍａｉ ｉｎ ｅａ ｄ Ｔｅｈ ｌｇ ｃ
Ｖ０ ． ７ Ｎｏ １ １２ ． Ｆ ｂ ２ ０ ｅ ． ０１
文章 编 号 ： ６ ３６ ３ （ Ｏ Ｏ Ｏ —０ ８ ０ １ ７ — ３ ８ ２ ｌ ） １０ １ — ５
２． ２ ９ ｏ ｐ ，Ｊｉ ｏ ａ ６ ４ ５， ｉ ａ ３ ９ ５ １ Ｔｒ ｏ ｓ ９ ２ ２ Ｔｒ ｏ ｓ ａ ｎ ｎ ２ ６ ０ Ｃｈ ｎ ． １ ６ ｏ ｐ ，Ｇｕ ｎ ｚ ｏ １ ３ ０， ｈ ｎ ａ ｇ ｈ ｕ ５ ０ ２ Ｃ ｉ ａ）
Ａｂｓｒ ｃ ： ｎ ｔ ｅ ｂａ ｉ ｆａ ｌ ｚｎｇ ｔ ｅ ｕｉｅｍ ｅ ｎ ｔ ｅ ｐ ｉｉ ｉ ｔ ｅ ｌｔｍ ｅ ｐ ｏｃ ｓ ｉ ｎｄ ｔ ｈａ ａ － ｔａ ｔ Ｏ ｈ ｓｓｏ ｎａｙ ｉ ｈｅ ｒ ｑ ｒ ｎｔｏ ｈ ｏｓｔｏｎｎｇ ｄａ ａ ｒ ａ－ｉ ｒ ｅ ｓｎｇ ａ ｈｅｃ ｒ ｃ－ ．
中 图分 类 号 ： ２ ９ Ｐ ２
Ａ ａ — ｍ ｅ Ｄｅｅ ｔｎ ｅ ｈ ｄ ｆ ｒ Ａｂ ｏ ａ ｓｔｏ ｎ ｔ Ｒｅ ｌＴｉ ｔｃ ｉ ｇ Ｍ ｔ ｏ ｏ ｎ ｍ ｌＰｏ ｉｉｎｉ ｇ Ｄａ ａ Ｂａ ｅ ｎ Ｖａ ｉｎｃ ｍ ｐ ｎ ｎ ｔｍ ａ ｉｎ ｓ ｄ ｏ ｒａ ｅＣｏ ｏ ｅ ｔＥｓ ｉ ｔｏ ＱＩＪ ｎ ，Ｂ ｕ ＡＯ ｉｇ ｙ ｎ Ｊｎ — ａ ｇ ，ＬＩ Ｙａ —ｈ ｎ ，Ｚ Ｕ ｎ ｃ ｕ ＥＮＧ ｉ。 Ｍ ｎ
摘 要 ： 分 析 海 道 测 量定 位 数 据 实 时处 理 要 求和 异 常 定 位 数 据 特 点 的基 础 上 ， 出 了异 常定 位 数 据 的 一 种 实 在 提 时检 测 和修 复方 法。 该 方 法基 于 Ｈｅ ｒ 方 差 分量 估 计 原 理 和 位 置 预 测 信 息 构 建 自适 应 因子 。实 例 计 算 表 ｌ ｔ ｍｅ
（ ． ｐ ｒｍｅ ｔ ｆ ｄｒｇｒ ｐ ｙ ａ ｄ Ｃ ｒｏ ｒ ｐ ｙ Ｅｎ ｎ ｅｉｇ， １ Ｄｅ ａ ｔ ｎ Ｈｙ ｏ ａ ｈ ｎ ａ ｔｇ ａ ｈ ｇｉｅｒｎ ｏ
Ｄ ａｌａ ａｖ ｃ ｄｅ ｙ， Ｄ ａ ｉ ６ ８，Ｃｈｉ ｉｎＮ ａｌＡ ａ ｍ ｌａｎ １１ ０１ ｎａ
一
种基 于方差 分 量估 计 的异 常定 位数 据
实 时 检 测 方 法
齐 琚 ，暴 景 阳 ，刘雁 春 ，曾 敏 。
（ ． 军大 连舰 艇 学 院 海 测 工程 系 ， 宁 大连 １ ６ １ ； １海 辽 １０ ８ ２ ９ ２ ２部 队 ， 东 胶 南 ．２９ 山 ２ ６ ０ ；３ ９ ５ １部 队 ， 东 广 州 ５ ０ ２ ） ６４ ５ ． １６ 广 １３ ０
常 定位 数据 的实 时处 理 。
关
键
词 ： 道 测量 ； 常定 位 数 据 ； 差 估 计 ； 差分 量 估 计 ； 置 预 测 信 息 海 异 抗 方 位 文 献标 识 码 ： Ａ Ｄ 编 码 ：０ ３ ６ ／．ｓｎ １ ７ — ３ ８ ２ １ ． １ ０ ５ ＯＩ １ ． ９ ９ ｊｉｓ ． ６ ３６ ３ ． ０ ０ ０ ． ０
ｔ ｒ ｏ ｂ ｏ ｌｄ ｔ ｎ ｈ ｄ ｏ ｒ ｐ ｉ ｓ ｒ ｅ ｅ ｆａ ｎ ｍａ ａ ａ ｉ ｙ ｒ ｇ ａ ｈ ｃ ｕ ｖ ｙ，ａ ｒ ａ—ｉ ｅｅ ｔ ｇ ｍｏ ｅ ｏ ｂ ｏ ｌｄ ｔ ，ｗｈ ｃ ｓｂ ｓ ｄ ｏ ｅ ｌ ｍｅ ｄ ｔ ｃ ｉ ｄ ｌ ｒａ ｎ ｍａ ａ ａ ｔ ｎ ｆ ｉｈ ｉ ａ ｅ ｎ
明 ， 方 法 能 够 在 实 时检 测 异 常数 据 的 同时 有效 修 复 动力 学 模 型 偏 差 ， 且 其 效 果 优 于 采 用 整 体 预 测 信 息 构 该 并
建 自适 应 因子 的检 测 方 法 和采 用 速 度 不 符 值 构 造 自适 应 因子 的 检 测 方 法 。该 方 法 更 适 用 于 海 道 测 量 中 的 异