基于多维影响因子的卡尔曼滤波算法

　　随着数据流的广泛运用，数据流中异常数据的检测问题也引起了更多的关注。现有的卡尔曼滤波算法需要的历史数据量虽然小，但只适用于单个异常点的检测，对于复杂连续的异常值检测效果较差。针对这个问题，提出一种水文传感器分级标注模型，并在此基础上提出一种基于多维影响因子的卡尔曼滤波算法，加入空间、时间、起源三个维度的影响因子，在天气和汛期等影响因素改变时，对系统模型的控制参数进行适当调整，并且对测量噪声进行更加准确的估计，提高异常检测的准确性。实验结果证明，所提算法在保证运行时间相近的前提下，检测的错误率远低于基于遗忘因子的卡尔曼（AKF）算法和基于小波的卡尔曼（WKF）算法。