主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李和平,胡占义,吴毅红,吴福朝.基于半监督学习的行为建模与异常检测.软件学报,2007,18(3):527-537
基于半监督学习的行为建模与异常检测
Behavior Modeling and Abnormality Detection Based on Semi-Supervised Learning Method
投稿时间:2006-04-03  修订日期:2006-06-09
DOI:
中文关键词:  行为建模  异常检测  半监督学习  隐马尔可夫模型  计算机视觉
英文关键词:behavior modeling  abnormality detection  semi-supervised learning  HMM (hidden Markov models)  computer vision
基金项目:Supported by the National Natural Science Foundation of China under Grant No.60303021(国家自然科学基金);the National High-Tech Research and Development Plan of China under Grant No.2005AA118020(国家高技术研究发展计划(863))
作者单位
李和平 中国科学院,自动化研究所,模式识别国家重点实验室,北京,100080 
胡占义 中国科学院,自动化研究所,模式识别国家重点实验室,北京,100080 
吴毅红 中国科学院,自动化研究所,模式识别国家重点实验室,北京,100080 
吴福朝 中国科学院,自动化研究所,模式识别国家重点实验室,北京,100080 
摘要点击次数: 4002
全文下载次数: 4013
中文摘要:
      提出了一种基于半监督学习的行为建模与异常检测方法.该算法包括以下几个主要步骤:(1) 通过基于动态时间归整(DTW)的谱聚类方法获取适量的正常行为样本,对正常行为的隐马尔可夫模型(HMM)进行初始化;(2) 通过迭代学习的方法在大样本下进一步训练这些隐马尔可夫模型参数;(3) 以监督的方式,利用最大后验(MAP)自适应方法估计异常行为的隐马尔可夫模型参数;(4) 建立行为的隐马尔可夫拓扑结构模型,用于异常检测.该方法的主要特点是:能够自动地选择正常行为模式的种类和样本以建立正常行为模型;能够在较少样本的情
英文摘要:
      A simple and efficient method based on semi-supervised learning technique is proposed for behavior modeling and abnormality detection. The method is composed of the following steps: (1) Dynamic time warping (DTW) based spectral clustering method is used to obtain a small set of samples to initialize the hidden Markov models (HMMs) of normal behaviors; (2) The HMMs’ parameters are further trained by the method of iterative learning from a large data set; (3) Maximum a posteriori (MAP) adaptation technique is used to estimate the HMMs’ parameters of abnormal behaviors from those of normal behaviors; (4) The topological structure of HMM is finally constructed to detect abnormal behaviors. The main characteristic of the proposed method is that it can automatically select the number of normal behavior patterns and samples from the training dataset to build normal behavior models and can effectively avoid the running risk of over-fitting when the HMMs of abnormal behaviors are learned from sparse data. Experimental results demonstrate the effectiveness of the proposed method in comparison with other related works in the literature.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利