单元140基 于指定的不变传感器的组来指定变化传感器的组。指定单元140可以根据变化矩阵指定具 有比剩余子矩阵的变化程度更小的变化程度的子矩阵，并且将不对应于子矩阵的传感器的 组指定为变化传感器的组。
[0032] 指定单元140还可以指定具有比其他传感器的变化程度更小的变化程度的传感器 的组作为参照第一输出与第二输出之间的变化的变化传感器的组。指定单元例如指定具有 比剩余子矩阵的变化程度更小的变化程度的子矩阵，并且指定对应于子矩阵的传感器的组 为不变传感器的组。
[0033] 这里，传感器10当中的不变传感器的组包括在其对应于参考性信号和比较性信号 的关系结构中没有变化的传感器10,并且与正常传感器匹配。变化传感器的组包括在其对 应于参考性信号和比较性信号的关系结构中有变化的传感器10,并且与异常传感器匹配。 更具体地，指定单元140通过对变化传感器的组打分来指定变化传感器的组和/或不变传感 器的组。指定单元140具有得分计算单元142和传感器指定单元144。
[0034] 得分计算单元142计算用以最小化目标函数的针对传感器10的得分，该目标函数 对应于通过将针对传感器10的与其变化程度对应的得分乘以被包括为变化矩阵中的元素 的变化程度中的每个变化程度而获得的值。得分计算单元142在每个传感器10的得分等于 或大于0的条件下计算用以最小化目标函数的针对传感器10的得分。得分计算单元142还在 传感器10的得分之和为预定值的进一步的条件下计算用以最小化目标函数的针对传感器 10的得分。
[0035] 传感器指定单元144用于基于传感器10的得分来指定未示出第一输出与第二输出 之间的变化的不变传感器的组、以及变化传感器的组。例如，传感器指定单元144包括不变 传感器的组中具有非零得分的传感器，并且指定这些为正常传感器。替代此，或者除此之 外，传感器指定单元144可以包括变化传感器的组中具有零得分的传感器，并且指定这些为 异常传感器。
[0036] 检测设备100还可以包括存储单元，用于存储第一输出、第二输出、第一相关性矩 阵、第二相关性矩阵、变化矩阵、目标函数、得分、变化传感器的组和/或不变传感器的组、以 及其他数据。
[0037] 本实施例中的检测设备100确定与来自传感器10的参考性信号和比较性信号对应 的每个关系结构，并且按照关系结构中的变化来确定正常传感器和异常传感器。这里，检测 设备100能够按照关系结构中的变化程度来计算得分，并且基于得分是否为零来确定传感 器10是否是异常传感器。作为结果，基于用户经验的阈值不是必需的。
[0038]图2示出了本发明的实施例中的由检测设备100执行的操作的流程。检测设备100 执行这一操作流程以指定传感器100中的哪些传感器为正常传感器以及哪些传感器为异常 传感器。
[0039]首先，第一输出获取单元110和第二输出获取单元120获取来自传感器10的检测结 果(S210)。例如，第一输出获取单元110获取参考性信号r，并且第二输出获取单元120获取 比较性信号X。第一输出获取单元110可以在存储单元中存储所获取的数据。在以下解释中， 在预定时间段期间从总共d个传感器10获取十个信号数据r和信号数据X的集合，以获得总 共t X d个数据。
[0040]接下来，第一输出获取单元110和第二输出获取单元120基于参考性信号r和比较 性信号X来计算并获取相关性矩阵人11(11 = 1，2)(5220)。第一输出获取单元110和第二输出 获取单元120可以在存储单元中存储所计算的相关性矩阵Λ η。这里，相关性矩阵Λ η为具有 d行和d列的矩阵。
[0041 ]相关性矩阵Λ η在η = 1时指示第一相关性矩阵，并且在η = 2时指示第二相关性矩 阵。第一输出获取单元110和第二输出获取单元120可以按照以下等式来定义和计算这些 (例如，参见 M .Yuan和Υ. Lin，"Model selection and estimation in the Gaussian graphical model"，Biometrika，第94卷，第19-35页，2007,以及O.Banerjee、L.El Ghaoui、 和A.d'Aspremont，"Model selection through sparse maximum likelihood estimation for multivariate Gaussian or binary data"，Journal of Machine Learning Research，第9卷，第485-516页，2008)。
[0042] 【等式1】
[0043]
[0044] 这里，argmin f (X)为f (X)已经被最小化的X，以及Λ为等式1中的右边表达式已经 被最小化时的Λ η(相关性被估计）。此外，detA为矩阵Α的行列式，以及trA为矩阵Α的对角分 量的和。此外，I Λ i，j|为矩阵Λ中的元素(i，j)的绝对值。
[0045]这里，等式1的右边表达式中的包括| Λ i，j|的第三项为已经添加到Λη以便获得 大多数分量为零的稀疏矩阵的正则项(regularization term)。此外，建立正则项的大小的 P为用于控制所估计的Λη中包括的零元素的数量的参数。这一正则参数由用户事先确定。 [0046]这里，正则参数Ρ例如被设置为等于或者小于0.01的值。如果归一化参数Ρ为实际 上等于或者小于0.01的值，在本实施例中其对所计算的得分有小的影响或者没有影响，并 且不需要对值进行调整。此外，Sn为第η个信号数据的采样协方差矩阵，并且由以下等式来 定义。
[0047] 【等式2】
[0048]
[0049] 用于估计传感器10之间的关系结构的等式1知晓为正则最大似然估计方法。第一 输出获取单元110和第二输出获取单元120按照参考性信号r和比较性信号X来获得第一相 关性矩阵Λ 1和第二相关性矩阵Λ 2。
[0050] 备选地，第一输出获取单元110和第二输出获取单元120可以计算和/或获取不同 于等式1的相关性矩阵。例如，相关性矩阵能够基于Ising模型来计算。第一输出获取单元 110和第二输出获取单元120还可以按照被处理的数据类型（例如，二进制数据，诸如为1和 〇)来选择相关性矩阵。
[0051] 接下来，变化计算单元130获取相关性矩阵Λη并且计算变化矩阵（S230)。变化计 算单元130可以取读存储在存储单元中的相关性矩阵Λη，或者在存储单元中存储所计算的 变化矩阵。以下为示例的解释，其中变化计算单元130首先计算第一相关性矩阵Λ 1与第二 相关性矩阵Λ 2之间的差的绝对值作为变化矩阵D。
[0052] 【等式3】
[0053] D = abs( Λι-Λ2)
[0054] 接下来，得分计算单元142接收变化矩阵并且计算多个传感器10的得分(S240)。得 分计算单元142可以取读存储在存储单元中的变化矩阵，并且在存储单元中存储所计算的 得分。得分计算单元142可以基于给定条件来选择用于计算得分的计算等式。例如，当正常 传感器的数量或者正常传感器的数量的下限k是预先确定的时，得分计算单元142使用用于 得分S*的以下计算等式。
[0055] 【等式4】
[0056]
[0057] 如等式4中所示，得分计算单元142在传感器10的得分的和等于预先确定的不变传 感器的数量的条件下计算多个传感器10的得分S*以最小化目标函数。这里，"受制于 (subject to)"表示限制条件。得分S和得分S*也是具有d个元素的列向量，并且元素 S*i表 示d个传感器10中的每个传感器的得分。此外，"T"表示转置向量(transposed vector)(换 而言之，ST为行向量）。
[0058] 得分计算单元142在每个传感器10的得分值为0或1的进一步的条件下计算传感器 10的得分以最小化等式4的目标函数。换而言之，得分计算单元142计算满足等式4的得分S* 是在最小化的得分S的元素取被离散化为0或1的值的条件下。这里，等式4为已经离散化-优 化并且归一化的目标函数，并且已知为离散优化问题(0-1整数规划）。用于最小化目标函数 以计算得分S*的具体方法是已知的。
[0059] 接下来，传感器指定单元144接收得分，并且指定哪些传感器10为异常传感器和/ 或正常传感器(S250)。传感器指定单元144可以取读存储在存储单元中的得分，并且可以在 存储单元中存储所指定的传感器信息。传感器指定单元144包括变化传感器的组中的对应 于具有得分S* i值0的得分S* i的传感器10。
[0060] 当得分计算单元142响应于具有大的值的元素而在针对变化矩阵D中的该元素的 得分S的列向量中放入具有为1的值的元素时，其作用于增加等式4中的目标函数的方向上， 并且将具有大的值的元素乘以1的结果不为零。当得分计算单元142响应于具有大的值的元 素而在针对变化矩阵D中的该元素的得分S的列向量中放入具有为0的值的元素时，其作用 于减少目标函数的方向上，并且将具有大的值的元素乘以〇的结果为零。
[0061] 类似地，当得分计算单元142响应于具有小的值(或0)的元素而在针对变化矩阵D 中的该元素的得分S的列向量中放入具有为1的值的元素时，其作用于减少目标函数的方向 上，并且将具有小的值的元素乘以一的结果不为零。因此，得分计算单元142响应于具有小 的值(或〇)的变化向量D中的元素而在得分S的列向量中放入具有为1的值的k个元素。
[0062] 换而言之，得分计算单元142在参考性信号与比较性信号之间的传感器10的关系 结构之中搜索出具有小的（或大的）变化的关系结构，并且传感器指定单元144响应于所发 现的关系结构而指定对应的异常传感器和/或正常传感器。这样，替代使用基于用户经验的 阈值，本