检索结果-内蒙古大学图书馆

小型微型计算机系统 2020年第5期41卷 919-924页

作者：马文强赵旭俊张继福饶元淇太原科技大学计算机科学与技术学院太原030024

在高维数据中,逆k近邻查询会导致出现枢纽现象,这严重影响了基于逆k近邻离群检测算法的性能.为解决这一问题,提出了一种面向枢纽现象的双向近邻离群检测算法.该算法首先引入并重新定义了对象的影响空间,在影响空间中,同时兼顾了对象的k... 详细信息

在高维数据中,逆k近邻查询会导致出现枢纽现象,这严重影响了基于逆k近邻离群检测算法的性能.为解决这一问题,提出了一种面向枢纽现象的双向近邻离群检测算法.该算法首先引入并重新定义了对象的影响空间,在影响空间中,同时兼顾了对象的k近邻和逆近邻的影响作用,有效提高了算法的准确性;其次,引入了启发式信息,不仅考虑对象的离群程度同时还考虑其k近邻的离群情况,显著降低了k的取值,从而减少了算法的计算量和运行时间;最后,采用真实数据集,实验验证了本文算法同传统的基于枢纽现象的离群挖掘算法相比具有更高的效率和准确性.

关键词：离群数据检测影响空间枢纽现象逆k近邻

来源：评论

学校读者我要写书评

暂无评论

基于层次化深度学习的医疗数据库离群数据检测算法

引用

计算机系统应用 2020年第3期29卷 180-186页

作者：李晓峰王妍玮李东黑龙江外国语学院信息工程系哈尔滨150025 普渡大学机械工程系西拉法叶市IN47906 哈尔滨工业大学计算机科学与技术学院哈尔滨150001

对医疗数据库中存在的离散数据进行检测时,由于缺少数据过滤等过程而导致检测执行时间较长、检测效率低、离散点检测率低等问题,为此提出基于层次化深度学习的医疗数据库离散数据检测算法.首先,采用动态网格划分法划分空间中的稀疏区域... 详细信息

对医疗数据库中存在的离散数据进行检测时,由于缺少数据过滤等过程而导致检测执行时间较长、检测效率低、离散点检测率低等问题,为此提出基于层次化深度学习的医疗数据库离散数据检测算法.首先,采用动态网格划分法划分空间中的稀疏区域和稠密区域,降低数据检测的规模,缩短检测执行时间;然后,通过层次化深度学习过程融合专家知识和数据的属性取值分布信息,实现医疗数据库中离散数据的检测.实验结果表明,该算法可以在较短的时间内准确完成医疗数据库中离散数据的检测,且相较于传统算法来说更具有应用优势.

关键词：层次化深度学习医疗数据离群点离群数据检测动态网格划分

来源：评论

学校读者我要写书评

暂无评论

基于改进的OPTICS聚类和LOPW的离群数据检测算法

引用

计算机工程与科学 2019年第5期41卷 885-892页

作者：肖雪薛善良南京航空航天大学计算机科学与技术学院江苏南京210016

针对现有的离群数据检测算法时间复杂度过高,且检测质量不佳的不足,提出一种新的基于改进的OPTICS聚类和LOPW的离群数据检测算法。首先,使用改进的OPTICS聚类算法对原始数据集进行预处理,筛选由聚类形成的可达图得到初步离群数据集;然后... 详细信息

针对现有的离群数据检测算法时间复杂度过高,且检测质量不佳的不足,提出一种新的基于改进的OPTICS聚类和LOPW的离群数据检测算法。首先,使用改进的OPTICS聚类算法对原始数据集进行预处理,筛选由聚类形成的可达图得到初步离群数据集;然后,利用新定义的基于P权值的局部离群因子LOPW计算初步离群数据集中对象的离群程度,计算距离时引入去一划分信息熵增量确定属性的权重,提高离群检测准确性。实验结果表明,改进后的算法不仅提高了运算效率,而且提高了对离群数据检测的精确度。

关键词： LOF算法离群数据检测 OPTICS聚类信息熵加权距离

来源：评论

学校读者我要写书评

暂无评论

一种改进的局部离群数据检测算法

引用

黑龙江大学自然科学学报 2017年第4期34卷 474-480页

作者：段培永崔冲张洁珏山东建筑大学信息与电气工程学院济南250101

针对传统局部离群数据检测算法时间复杂度高、参数鲁棒性差的问题,在基于连接的异常因子(Connectivity based outlier factor,COF)算法的基础上,提出了一种基于聚类和密度的局部离群数据检测算法。利用聚类方法从原始数据集中筛选出候... 详细信息

针对传统局部离群数据检测算法时间复杂度高、参数鲁棒性差的问题,在基于连接的异常因子(Connectivity based outlier factor,COF)算法的基础上,提出了一种基于聚类和密度的局部离群数据检测算法。利用聚类方法从原始数据集中筛选出候选离群数据集,来降低算法的时间复杂度;在进行数据对象之间距离计算时,引入信息熵的概念确定数据对象的离群属性,以提高算法的检测准确率。确定数据集的离群属性后,采用新的局部链接离群因子(Local connectivity based outlier factor,LCOF)度量候选离群数据集中数据的离群程度。此算法在保证检测准确率的前提下,降低了时间复杂度和检测准确率对参数的依懒性。仿真结果证明了所提方法的有效性和可行性。

关键词：离群数据检测聚类信息熵链距离局部离群因子

来源：评论

学校读者我要写书评

暂无评论

无线传感器网络中离群数据检测研究

无线传感器网络中离群数据检测研究

引用

作者：唐琪南京工业大学

学位级别：硕士

无线传感器网络在军事侦察、医疗护理、环境监测、空间探测和建筑物监测等各个领域有着广泛的应用前景。它集成了嵌入式计算技术、无线通信技术、传感器技术和分布式信息处理技术，能实时采集、感知、监测网络内的数据对象，并且对这些... 详细信息

无线传感器网络在军事侦察、医疗护理、环境监测、空间探测和建筑物监测等各个领域有着广泛的应用前景。它集成了嵌入式计算技术、无线通信技术、传感器技术和分布式信息处理技术，能实时采集、感知、监测网络内的数据对象，并且对这些数据进行处理，获得尽可能准确的数据，然后传送给需要这些数据的用户。\n 近些年，无线传感器网络中的离群数据检测研究已经引起人们的广泛关注。传感器节点采集的数据集大部分是正常数据，但是往往重要却被人忽视的是那些不正常数据，即离群数据。离群数据检测是数据挖掘研究的一个重要方向。但是目前很多传感器网络中的离群检测研究方法没有考虑到网络的分布性和时空相关性，使得网络能量消耗高，检测精度低。同时，对于高维感知数据，如何进行降维实现快速检测也是一个挑战性问题。\n 因此，本文对无线传感器网络中的离群检测进行了深入的研究，综合分析了几种离群数据检测算法，提出了新的传感器网络离群数据检测算法。本文的主要工作如下:\n 1、对无线传感器网络中基于密度的离群数据检测方法进行了研究，针对其存在的问题提出了WSN中分布式离群数据检测研究算法，该算法是在分簇无线传感器网络中，簇成员节点利用滑动窗口机制检测时间离群数据并发给簇头节点，然后，簇头节点检测簇成员节点之间的时空离群数据并发给Sink节点，最后，Sink节点检测各个簇头节点传送来的离群数据并得到所期望的离群数据。\n 该算法针对集中式算法能耗过快的问题提出了一种分布式算法，解决了能耗过快的问题，结合时间和空间两方面因素提高了检测精度。\n 2、对无线传感器网络中离群时间序列检测进行了研究，提出了WSN中快速离群时间序列检测算法。该算法是在传感器网络中，每个传感器节点采集到的数据构成一个时间序列，在时间窗口中通过切比雪夫思想把时间序列化成时间区间在[-1，1]的连续函数，然后计算连续函数的切比雪夫多项式系数，利用系数求两个时间序列的相似度，最后判定离群时间序列，再将离群时间序列传给Sink节点。\n 理论分析和实验结果说明该算法不仅具有较高的检测精度，而且检测速度快于相关算法。

关键词：无线传感器网络离群数据检测时空相关性时间序列切比雪夫多项式

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的铣刀寿命预测服务系统研究

基于深度学习的铣刀寿命预测服务系统研究

引用

作者：任必聪太原科技大学

学位级别：硕士

随着工业传感器、自动控制系统、工业互联网等信息技术在工业领域的广泛应用,海量的刀具传感器信号被实时采集并传输,由于采集到的数据本身存在离群数据,并且在数据传输过程中往往会存在一些数据缺失现象,导致在刀具加工过程中无法准确... 详细信息

随着工业传感器、自动控制系统、工业互联网等信息技术在工业领域的广泛应用,海量的刀具传感器信号被实时采集并传输,由于采集到的数据本身存在离群数据,并且在数据传输过程中往往会存在一些数据缺失现象,导致在刀具加工过程中无法准确的预测刀具剩余使用寿命。因此将采集到的刀具传感器信号进行空缺数据填充及离群数据检测能提高刀具剩余使用寿命预测的准确性,并对提高工件的加工精度与生产的加工效率具有重要意义。本文以铣削加工中采集的刀具状态监测信号(切削力信号、振动加速度信号及声发射信号)为研究对象,采用深度学习框架,研究了多维传感器信号下的空缺数据填充算法、离群数据检测算法及刀具寿命动态预测算法。最后利用计算机技术结合研究内容建立了刀具寿命预测服务系统。本文主要研究内容如下:(1)刀具传感器信号空缺数据填充算法的改进。针对传统的数据填充算法对多维传感器信号数据填充不适用的情况,采用深度卷积神经网络提取多维传感器信号之间的关系,利用长短时记忆神经网络捕捉传感器信号时序上的关系,从而建立刀具传感器信号空缺数据填充预测模型。并针对多输出预测算法改进损失函数加权方法,提高多维传感器信号预测的准确性。并与传统的数据填充算法进行对比实验,验证改进算法的有效性。(2)刀具传感器信号离群检测算法改进。针对刀具不同磨损阶段所体现出来的刀具传感器信号数据分布不同,引入概念漂移思想,不同的磨损阶段进行离群数据检测时所采用的检测标准也有所差异,因此从数据分布的角度对刀具状态监测信号是否发生概念漂移进行检测,从而更新离群数据检测的阈值,提高离群数据检测的准确率,并与传统的离群检测算法进行对比实验,验证该方法的有效性。(3)刀具寿命动态预测。本文针对同工况同型号下刀具监测信号数据分布不一致,导致刀具历史寿命预测模型对刀具寿命预测效果有限的情况,采用深度卷积神经网络挖掘刀具寿命特征,并加入注意力机制加强对刀具寿命特征的学习,建立刀具寿命预测模型。借鉴迁移学习思想,提出刀具寿命预测模型动态更新方法,从而获得更可靠的刀具寿命预测模型,提高刀具寿命预测准确度,并与传统的刀具寿命预测模型进行对比实验,验证该方法的有效性。(4)铣刀寿命预测服务系统的设计与实现。基于刀具传感器信号空缺数据填充、离群数据检测及刀具寿命动态预测的研究,通过分析铣刀寿命预测服务的功能需求,通过超文本标记语言(HTML)、层叠样式表(CSS)、Java Script等前端技术,Python应用开发技术,My SQL数据库等实现了具有空缺数据填充、离群检测及刀具寿命动态预测等功能的铣刀寿命预测服务系统。

关键词：刀具传感器信号空缺值填充离群数据检测刀具寿命动态预测深度卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于马尔科夫随机游走的离群检测及应用

基于马尔科夫随机游走的离群检测及应用

引用

作者：席婷婷太原科技大学

学位级别：硕士

基于邻域的离群点检测算法,是离群检测的一个重要手段。但随着数据量和数据维度的爆炸式增长,导致其很难直接应用到高维数据中,而且不合理的参数选择导致算法的性能显著下降。针对上述问题,本文从减少参数对离群检测的影响入手,对基于... 详细信息

基于邻域的离群点检测算法,是离群检测的一个重要手段。但随着数据量和数据维度的爆炸式增长,导致其很难直接应用到高维数据中,而且不合理的参数选择导致算法的性能显著下降。针对上述问题,本文从减少参数对离群检测的影响入手,对基于邻域的离群检测进行了深入的研究,提出了适用于高维数据的离群点检测算法,其主要研究成果如下:(1)提出了面向离群检测的特征提取算法,FEOD算法。首先,通过迭代过程获得最优的信息熵阈值,来删除冗余特征,实现了数据矩阵的初步筛选;其次,引入并重新定义了类内距离和类间距离,将其作为线性投影的权重,用于提取具有良好识别能力的低维特征,提高了离群检测的效率。(2)在上述研究的基础上,提出了基于马尔科夫随机游走的两阶段离群检测算法,DLS算法。首先,采用均匀采样策略生成一系列三角剖分图,并引入移除规则得到节点的拓扑结构,从而获得由节点连通性定义的转移概率矩阵,有效减少了算法的计算量和运行时间;其次,采用加权投票原则重新定义重启向量,并将不同图上得到的平稳分布向量的平均偏差值作为离群点分数,有效的提高了算法的准确性。(3)在上述研究成果的基础上,利用QT+Pycharm作为开发工具,设计实现了一个基于特征提取的天体光谱离群检测系统,并从需求分析、系统架构以及软件功能等方面进行了详细的描述。其运行结果分析表明该系统为特殊未知天体光谱的知识发现,提供了一种有效途径。本文采用人工合成数据集和UCI数据集证明了FEOD算法和DLS算法的有效性,并与传统的算法相比具有更高的检测效率和准确率。除此之外,将其应用于天体光谱离群数据检测系统,为寻找离群的、特殊的天体提供了一种新途径。

关键词：离群数据检测马尔科夫三角剖分信息熵特征提取

来源：评论

学校读者我要写书评

暂无评论

面向枢纽现象的离群检测算法及应用

面向枢纽现象的离群检测算法及应用

引用

作者：马文强太原科技大学

学位级别：硕士

采用逆近邻查询进行离群挖掘,是检测离群数据的一个重要手段。但是随着数据集的急剧膨胀,逆近邻查询出现枢纽现象,这对算法的性能造成了较大影响。本文从离群检测性能出发,对逆近邻查询中出现的枢纽现象进行了深入的研究。其主要研究成... 详细信息

采用逆近邻查询进行离群挖掘,是检测离群数据的一个重要手段。但是随着数据集的急剧膨胀,逆近邻查询出现枢纽现象,这对算法的性能造成了较大影响。本文从离群检测性能出发,对逆近邻查询中出现的枢纽现象进行了深入的研究。其主要研究成果如下:(1)提出了面向枢纽现象的双向近邻离群检测算法,HPOD算法和HPOD2算法。该算法首先引入并重新定义了对象的影响空间,在影响空间中,同时兼顾了对象的k近邻和逆近邻的影响作用,有效提高了算法的准确性;其次,引入了启发式信息,不仅考虑对象的离群程度同时还考虑其k近邻的离群情况,显著降低了k的取值,从而减少了算法的计算量和运行时间;最后,采用真实数据集,实验验证了HPOD算法和HPOD2算法同传统的基于枢纽现象的离群挖掘算法相比具有更高的效率和准确性。(2)为了加快上述研究工作在高维数据中的挖掘效率,本文对算法进行了分析,提出了基于剪枝策略的离群检测算法,在不影响HPOD和HPOD2算法准确性的前提下,显著提高了算法的效率。最后采用人工数据集、UCI数据集和光谱数据集验证了基于剪枝策略的面向枢纽现象的离群检测算法可以有效减少在高维数据集中的计算代价,提高算法的效率。(3)在上述研究基础上,采用java语言,并结合图形化界面编程java GUI、以Intelli J IDEA作为开发工具,设计并实现了基于剪枝策略的天文光谱离群数据检测原型系统。从需求分析、结构体系及软件功能等几个方面进行了详细分析,系统运行结果显示,基于剪枝策略的天文光谱离群数据检测原型系统可有效发现天体光谱中的异常数据,为天体光谱数据的异常分析提供有效依据。

关键词：离群数据检测影响空间枢纽现象逆k近邻剪枝

来源：评论

学校读者我要写书评

暂无评论

基于大数据的异常检测方法研究

引用

计算机工程与科学 2018年第7期40卷 1180-1186页

作者：杨先圣姜磊彭雄周倩刘菊君湖南科技大学知识处理与网格化制造湖南省普通高校重点实验室湖南湘潭411201 步步高商业连锁股份有限公司湖南湘潭411000

离群数据检测,主要目的是从海量数据中发现异常数据。其有以下两点好处:第一,作为数据预处理工作,减少噪声点对模型的影响;第二,针对特定场景检测出异常,并对异常现象本身进行挖掘,也非常有价值。目前,国内外主流的方法像LOF、KNN、ORCA... 详细信息

离群数据检测,主要目的是从海量数据中发现异常数据。其有以下两点好处:第一,作为数据预处理工作,减少噪声点对模型的影响;第二,针对特定场景检测出异常,并对异常现象本身进行挖掘,也非常有价值。目前,国内外主流的方法像LOF、KNN、ORCA等,无法兼顾全局离群点、局部离群点和离群簇同时存在的复杂场景的检测。针对这一情况,提出了一种新的离群数据检测模型。为了能够最大限度对全局、局部离群数据以及离群簇的全面检测,基于iForest、LOF、DBSCAN分别对于全局离群点、局部离群点、离群簇的高度敏感度,选定该三种特定基分类器,并且改变其目标函数,修正框架的错误率计算方式,进行融合,形成了新的离群数据检测模型ILD-BOOST。实验结果表明,该模型充分兼顾了全局和局部离群数据及离群簇的检测,且效果优于目前主流的离群数据检测方法。

关键词：离群数据检测模型融合商业大数据提升框架

来源：评论

学校读者我要写书评

暂无评论

无线传感器网络入侵容忍技术的研究

无线传感器网络入侵容忍技术的研究

引用

作者：陈磊东南大学

学位级别：硕士

无线传感器网络是当前在国际上备受关注的前沿热点研究领域之一。目前，随着研究的不断深入，无线传感器网络被广泛的应用于各个领域中，如:军事侦察，智能家居，空间探索，环境科学，医疗监测等方面。然而，由于无线传感器网络自身的... 详细信息

无线传感器网络是当前在国际上备受关注的前沿热点研究领域之一。目前，随着研究的不断深入，无线传感器网络被广泛的应用于各个领域中，如:军事侦察，智能家居，空间探索，环境科学，医疗监测等方面。然而，由于无线传感器网络自身的特点，使得传统的安全机制无法直接运用到传感器网络中。因此，如何为无线传感器网络提供安全机制是个亟需解决的问题。\n 本文分析了几种典型的无线传感器网络的入侵容忍路由协议，然而这些协议存在一个共同的特点是无法认证节点的身份，因此，本文提出了一种基于零知识证明的节点身份认证方案。利用该方案，设计了一种基于零知识证明的入侵容忍路由协议IRZKA。IRZKA协议可以有效的抵抗泛洪攻击，窃听攻击，篡改攻击，女巫攻击等，而且当网络中某个节点被捕获时，仅仅影响其邻居节点的安全性。\n 接着，针对簇形网络中簇内节点发送虚假信息的攻击，本文设计了一种离群数据检测机制TSODV。簇内节点对其邻居节点采集的数据进行判断，然后将判断结果发送给簇头，簇头根据投票机制判断簇内的可疑节点。仿真结果表明，与TSLOF相比，TSODV在运算速度和检测精度方面的性能优于TSLOF，但网络能量消耗高于TSLOF。针对簇形传感器网络，TSODV可以有效的检测出簇内发送虚假信息的成员节点。\n 最后，本文实现了物联网感知层安全仿真平台的部分模块，包括了电池建模模块、节点属性建模模块、参数设置模块、节点布撒模块以及节点可视化模块，并以tictoc协议为例对仿真软件进行系统测试。

关键词：无线传感器网络仿真分析入侵容忍离群数据检测

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：