检索结果-南通市图书馆

检索条件"主题词=离群因子上界"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于核密度估计的离群检测算法研究

基于核密度估计的离群检测算法研究

引用

作者：隆华重庆大学

学位级别：硕士

随着大数据时代的到来,无论是获取数据的渠道和方式,还是数据本身的大小、类型和结构都越来越多样化,这使得数据挖掘的发展越来越具有挑战性。近年来离群检测逐渐成为数据挖掘领域中的热门研究方向,它被广泛地应用于包括社交网络、移动... 详细信息

随着大数据时代的到来,无论是获取数据的渠道和方式,还是数据本身的大小、类型和结构都越来越多样化,这使得数据挖掘的发展越来越具有挑战性。近年来离群检测逐渐成为数据挖掘领域中的热门研究方向,它被广泛地应用于包括社交网络、移动支付和购物系统等在内的众多领域,因为除了常规数据外,少数离群点往往也能带来有价值的信息,并且随着业务的升级,对离群检测算法能够更有效地处理各种复杂的数据的要求也越来越高。本文针对现有的离群检测算法存在的问题进行深入研究。针对现有的离群检测算法无法在线形、多种形状混合和子集间密度差异较大等情况下的数据集中有效检测离群点的问题,本文提出了一种新的基于自适应邻居和加权核密度的离群检测算法NWKOF(Adaptive Neighbor and Weighted Kernel density-based Outlier Factor)。首先,通过弱化自然邻居中的约束来定义出自适应邻居,然后利用数据点的自适应邻居信息为数据点分配权重和计算数据点的自适应带宽,进而得到数据点的加权核密度,最后求出用于表示数据点离群程度的离群因子。实验表明,本文提出的NWKOF算法能够获得较好的离群检测性能,并具有稳定性。另外,NWKOF算法针对的是数据能够一次性获取的情况,即静态数据。虽然它能够获得较好的检测性能,但若将其应用到不断有新数据生成的大规模数据流中,则需要的计算代价就无法接受。因此,针对现有的数据流离群检测算法的时间效率问题,本文在NWKOF算法的基础上提出了一种新的基于抽样的数据流离群检测算法UIKOF(Upper Bound of Incremental Kernel Density-based Outlier Factor)。该算法分为抽样总结和数据加入及检测阶段。在数据加入及检测阶段中,定义了离群因子上界使得在不需要计算数据点实际的离群因子的情况下快速裁剪正常数据;在抽样总结阶段中,设计了一个新的形状项并使用梯度下降法对窗口中的数据进行抽样,使得抽样得到的子集与窗口中的原数据集之间密度差异小的同时还保持了数据分布的形状。实验表明,本文提出的UIKOF算法减少了计算代价,还能获得较高的检测精度,并具有一定的可应用性。

关键词：离群检测自然邻居核密度估计数据流离群因子上界

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：