1异常事件被定义为与特征空间中的其他点稀有且不同的点。 常规的异常检测方法通常利用获知的概率分布模型来找到低概率事件，或者使用测试样本的局部密度来评估测试样本。 多状态系统通常具有多个正常状态，并且由于日常操作（例如进料，出口，流量控制等）导致状态变化在不可预测的点上。对于多状态系统，收集包含所有可能状态的足够数据是具有挑战性的，或者对用户而言是不可能的。 此外，常规的异常检测方法对训练数据集的上下文或测试数据集的不可预测的阶段性变化很敏感，或者仅考虑测试样本的局部密度。 受此问题的推动，我们将模型学习问题转换为学习每个测试样本的熟悉程度的区别学习问题。 为了减少分阶段变化的影响，我们随机地对测试数据集进行洗牌，并使用滑动窗口通过一类支持向量机（SVM）方法评估测试样本的熟悉程度。 我们的贡献包括：（1）减少对先验知识的需求； （2）处理测试数据集的分阶段变化，（3）考虑测试样本的整体熟悉度。 通过对合成数据集，真实数据集和实验结果进行评估，结果表明该方法优于最新方法。
