Algorithm 物联网故障检测算法的实现

我正试图实现我在这里找到的白皮书中的传感器故障检测算法： 我的数学技能不错，但本文并没有详细介绍如何设置所有内容

我当前的实现如下所示：

/*******************************************************************************
How this algorithm works:
    1) There exists W historical windows which hold the distribution objects (mean, variance)
        for that window. Each window is of size m (the sliding window size)
    2) There exists a current window which changes every iteration by popping the 
        oldest value into the buffer window.
    3) There exists a buffer window which takes the oldest values from the current window
        each iteration. Once the buffer window reaches size m
        it then becomes the newest historical window.
*******************************************************************************/

int m = 10; //Statistics sliding window size
float outlierDetectionThreshold; // The outlier detection threshold for sensor s, also called epsilon
List<float> U; // Holds the last 10 windows mean
List<float> V; // Holds the last 10 windows variance
List<float> CurrentWindow; // Holds the last m values

procedure GFD()
    do
        get a value vi 
        Detection(vi)
    while not end
return

procedure Detection(vi)
    init outlierDetectionThreshold
    init U and V, loading last m distribution characteristics from DB
    init CurrentWindow loading the last m - 1 values

    Xi; // What is this?
    Tau; // What is this?

    Insert vi into CurrentWindow // CurrentWindow now has the m latest values 

    float CurrentWindowMean = Mean(CurrentWindow)
    float CurrentWindowVariance = Variance(CurrentWindow)

    if (IsStuck(CurrentWindowVariance) or IsSpikes(vi))
        return
    If (IsOutlier(vi) and not IsRatStatChagne(vi))
        return;
    IsRatStatChagne(vi);
    return

procedure IsStuck(variance)
    if (variance == 0)
        return true;
    return false;

procedure IsSpike(windowMean, windowVariance, historicalMeans, historicalVariances, xi, tau)
    if ( (mean / Mean(historicalMeans)) < xi)
        if ( (variance / Mean(historicalVariances)) > tau)
            return true;
    return false;

procedure IsOutlier(historicalMeans, historicalVariances, outlierDetectionThreshold)
    // use historicalMeans and historicalVariances to calculate theta
    if (theta > outlierDetectionThreshold)
        return true;

/*******************************************************************************
该算法的工作原理：
1） 存在W个保存分布对象（均值、方差）的历史窗口
为了那扇窗户。每个窗口的大小为m（滑动窗口大小）
2） 存在一个当前窗口，通过弹出
将最早的值放入缓冲区窗口。
3） 存在一个缓冲区窗口，它从当前窗口获取最旧的值
每次迭代。一旦缓冲区窗口达到大小m
然后它成为最新的历史窗口。
*******************************************************************************/
int m=10//统计滑动窗口大小
浮点异常值检测阈值；//传感器s的异常值检测阈值，也称为epsilon
列表U；//保存最后10个窗口的平均值
列表V；//保存最后10个窗口
列出当前窗口；//保存最后的m值
程序GFD（）
做
得到一个值vi
检测（六）
而不是结束
返回
程序检测（vi）
初始异常检测阈值
初始U和V，从DB加载最后m个分布特征
init CurrentWindow加载最后的m-1值
席；这是什么？
Tau；//这是什么？
将vi插入CurrentWindow//CurrentWindow现在具有m个最新值
浮点CurrentWindowMean=平均值（CurrentWindow）
浮动CurrentWindowVariance=方差（CurrentWindow）
if（IsStuck（当前窗口方差）或IsSpikes（vi））
返回
If（国际标准（vi）而非以色列标准（vi））
返回；
伊斯拉特斯塔切涅（六）；
返回
程序IsStuck（差异）
如果（方差==0）
返回true；
返回false；
程序ISSPS（窗均值，窗方差，历史平均值，历史方差，席，τ）
如果（（平均值/平均值（历史平均值））tau）
返回true；
返回false；
程序更优（历史平均值、历史变量、异常值检测阈值）
//使用历史均值和历史方差计算θ
if（θ>异常检测阈值）
返回true；

我在实现IsOutlier和IsRatStatChange功能时遇到困难

在ISPACK中，席和τ是如何计算的，或者它们代表什么？

对于IsOutlier函数，如何计算θ

对于IsRatStatStange函数，我还没有深入研究过，但是有人对编写这个函数有很好的理解吗

如果您有任何其他见解，我们将不胜感激。 提前谢谢