检索结果-内蒙古大学图书馆

计算机科学 2025年

作者：宋亦静张继福太原科技大学计算机科学与技术学院

属性分组作为高维离群检测的有效途径之一，但现有的属性组离群检测集成策略仅利用了各属性组内的局部离群信息，忽略了属性组全局离群信息，导致了属性组离群信息集成出现偏差。为此，利用属性组局部与全局离群信息，提出了一种基于隔... 详细信息

属性分组作为高维离群检测的有效途径之一，但现有的属性组离群检测集成策略仅利用了各属性组内的局部离群信息，忽略了属性组全局离群信息，导致了属性组离群信息集成出现偏差。为此，利用属性组局部与全局离群信息，提出了一种基于隔离森林集成策略的分类型属性分组离群检测方法。根据属性之间的相关性，将属性自动划分为若干属性组，获得数据对象在各属性组中的离群信息；理论分析了现有离群信息集成策略存在着集成偏差，并定义了属性组集成偏差系数；利用隔离森林设计了一种离群信息集成策略，有效地刻画了属性组局部与全局离群信息，降低了属性组离群检测集成偏差，并在此基础上，提出了一种分类型属性分组离群检测算法。实验表明，与对比方法相比，该离群检测算法的AUC 指标、效率分别平均提高了7.83%、48.43%。

关键词：离群检测属性分组集成偏差系数隔离森林集成策略全局离群信息路径

来源：评论

学校读者我要写书评

暂无评论

一种基于加权概率密度的上下文离群检测算法

引用

计算机应用与软件 2024年第2期41卷 279-285页

作者：白慧张继福太原科技大学计算机科学与技术学院山西太原030024

采用加权概率密度,提出一种上下文离群数据检测算法。利用高斯混合模型和稀疏度矩阵,确定相关子空间;在相关子空间中,采用加权概率密度局部异常因子公式,计算数据对象的离群因子,可以有效反映和刻画数据对象与其周围数据对象的不一致程... 详细信息

采用加权概率密度,提出一种上下文离群数据检测算法。利用高斯混合模型和稀疏度矩阵,确定相关子空间;在相关子空间中,采用加权概率密度局部异常因子公式,计算数据对象的离群因子,可以有效反映和刻画数据对象与其周围数据对象的不一致程度;选取离群因子最大的N个数据对象为离群数据,并将离群因子、相关子空间属性取值、局部数据集作为其上下文信息,有效地改善了离群数据的可解释性;采用人工和UCI数据集,实验验证了算法的有效性。

关键词：离群检测相关子空间加权概率密度上下文信息

来源：评论

学校读者我要写书评

暂无评论

基于近邻关系的离群检测方法及应用

基于近邻关系的离群检测方法及应用

引用

作者：曹霞太原科技大学

学位级别：硕士

离群检测是数据挖掘中的一项重要任务,目的是识别数据中的异常情况,其相关技术已深入应用到生活中的各个领域。为了更有效地识别出各类数据中的离群点,研究者们提出了众多的离群检测方法。目前基于近邻的离群点检测算法大多受阈值参数... 详细信息

离群检测是数据挖掘中的一项重要任务,目的是识别数据中的异常情况,其相关技术已深入应用到生活中的各个领域。为了更有效地识别出各类数据中的离群点,研究者们提出了众多的离群检测方法。目前基于近邻的离群点检测算法大多受阈值参数的影响较大,且大多只在数据分布单一的情况下表现良好,在高维数据中检测效率低。针对上述问题,本文从深入挖掘数据的密度分布情况入手,对基于近邻的离群点检测方法进行了深入研究,取得了以下成果: (1)提出了一种基于自适应距离的离群点检测方法。首先,通过动态地调整数据属性的贡献因子,使得关键属性在离群点检测中具有更大的影响力,能够准确反映关键属性与离群点之间的关联性;其次,综合考虑属性贡献因子和密度来计算数据对象之间的距离,以便更好地识别数据对象之间的位置关系和密度分布特征;最后,为了降低阈值参数的影响,逐步增大邻居的大小来计算数据对象的自适应距离的变化之和,将其累加作为离群得分。通过在人工合成数据集和公共数据集上进行实验,验证了提出的算法在数据密度分布多样的情况下相较于其他对比算法检测精度更高,并对阈值参数的鲁棒性较高。 (2)提出了一种基于特征选择和余弦距离的离群点检测方法。该方法首先利用皮尔逊相关系数构建特征间的相关性矩阵,并计算各个特征的方差以评估其重要性。随后,从高度相关的特征对中选择并剔除部分特征,以构建优化的特征子集,从而简化数据表示,并减少计算复杂度。最后,在经过优化后的特征子集上,利用加权余弦距离度量数据对象之间的距离,结合近邻关系计算数据对象的离群得分。通过在公共数据集上进行实验,验证了该算法在处理大规模数据时表现优异,为离群点检测提供了一种新的有效手段。 (3)针对上述研究内容,设计并实现了一个糖尿病异常检测分析原型系统。该系统包括数据预处理、异常检测、风险评估、数据可视化展示、结果导出等功能模块。通过对系统的运行结果进行分析,验证了该系统的实用性,并为不熟悉编程的研究人员提供了易于使用的工具。

关键词：离群检测近邻关系自适应距离特征选择余弦距离

来源：评论

学校读者我要写书评

暂无评论

基于属性组权重的分类数据离群检测

引用

计算机技术与发展 2023年第11期33卷 20-27页

作者：张凯棋宋亦静陈鑫太原科技大学计算机科学与技术学院山西太原030024

属性分组是高维离群检测中的有效手段之一,可以有效缓解“维度灾难”的干扰,但现有的属性分组离群检测方法未能体现属性组之间的差异性,以及属性组的偏离程度,严重影响了高维离群检测的效果与性能。该文采用信息熵累加和刻画与描述属性... 详细信息

属性分组是高维离群检测中的有效手段之一,可以有效缓解“维度灾难”的干扰,但现有的属性分组离群检测方法未能体现属性组之间的差异性,以及属性组的偏离程度,严重影响了高维离群检测的效果与性能。该文采用信息熵累加和刻画与描述属性组之间的差异性,提出了一种基于属性组权重的分类离群检测方法。首先,根据数据模式频率和编码长度,定义了属性组偏离因子,并将其作为属性组之间的合并依据,有效地刻画了属性组的偏离程度,进一步提高了属性分组过程中的搜索效率;其次,利用信息熵累加和定义了属性组权重,有效地体现了不同属性组之间的差异性;然后,依据属性组权重,重新定义了离群得分函数,并提出了一种基于属性组权重的分类数据离群检测算法;最后,采用UCI,NTU,KEEL和人工合成数据集,实验验证了该离群检测算法不仅具有较高的检测精度和效率,而且也具有良好的可扩展性与伸缩性,可适用于高维海量分类属性数据集的离群检测任务。

关键词：离群检测属性分组分类数据属性组权重偏离因子

来源：评论

学校读者我要写书评

暂无评论

基于多因素融合的邻域粗糙集离群检测研究

基于多因素融合的邻域粗糙集离群检测研究

引用

作者：杨志强四川师范大学

学位级别：硕士

离群点检测是数据挖掘中一个重要的研究方向.离群点是数据集中显著偏离大部分数据对象的数据对象,其检测目的是发现数据集中潜在的、有意义的知识,在欺诈检测、医疗处理、公共安全、环境卫生、图像处理、异常行为模式检测、轨迹异常检... 详细信息

离群点检测是数据挖掘中一个重要的研究方向.离群点是数据集中显著偏离大部分数据对象的数据对象,其检测目的是发现数据集中潜在的、有意义的知识,在欺诈检测、医疗处理、公共安全、环境卫生、图像处理、异常行为模式检测、轨迹异常检测等方面被广泛应用,是数据挖掘领域中的研究热点.近年来,邻域粗糙集优化模型已成为离群检测的研究热点.现有的邻域粗糙集离群检测通常仅考虑所研究对象的边界域的不确定性,少有考虑论域邻域知识对所研究对象边界域的影响.针对这些问题,本文研究并提出更适合于混合型属性数据集的离群点检测模型,主要工作如下:(1)针对现有结合熵信息的邻域粗糙集离群检测未考虑对象边界域不确定性的问题,基于邻域粗糙集对象邻域相对比和对象重要度等粒化特征,提出了融合邻域相对比和邻域粗糙熵的离群点检测方法(NRPNREOD).UCI标准数据集上的对比实验表明,NRPNREOD方法具有更好的数据集适应性和离群检测有效性.为混合型属性数据集的离群检测提供了一条新的有效途径.(2)针对经典粗糙集不能有效处理混合型数据的问题,构建了一个基于邻域粒的离群点检测模型.首先,通过采用邻域粗糙度概念定义邻域粒离群度,并用来表征邻域粒的离群程度.然后,通过集成粒离群程度和相应的权重,构建了融合邻域知识的邻域粒粗糙度离群因子,用来表征对象的离群程度.提出了融合邻域知识的邻域粒粗糙度离群点检测方法(NKNGROD).根据UCI标准数据集上的对比实验表明,NKNGROD算法是有效的.

关键词：离群检测邻域粗糙集邻域粗糙熵邻域粒多因素融合

来源：评论

学校读者我要写书评

暂无评论

基于多因素融合的领域粗糙集离群检测研究

基于多因素融合的领域粗糙集离群检测研究

引用

作者：杨志强四川师范大学

学位级别：硕士

离群点检测是数据挖掘中一个重要的研究方向.离群点是数据集中显著偏离大部分数据对象的数据对象,其检测目的是发现数据集中潜在的、有意义的知识，在欺诈检测、医疗处理、公共安全、环境卫生、图像处理、异常行为模式检测、轨迹异常检... 详细信息

离群点检测是数据挖掘中一个重要的研究方向.离群点是数据集中显著偏离大部分数据对象的数据对象,其检测目的是发现数据集中潜在的、有意义的知识，在欺诈检测、医疗处理、公共安全、环境卫生、图像处理、异常行为模式检测、轨迹异常检测等方面被广泛应用,是数据挖掘领域中的研究热点.近年来,邻域粗糙集优化模型已成为离群检测的研究热点.现有的邻域粗糙集离群检测通常仅考虑所研究对象的边界域的不确定性,少有考虑论域邻域知识对所研究对象边界域的影响.针对这些问题,本文研究并提出更适合于混合型属性数据集的离群点检测模型，主要工作如下:　　(1)针对现有结合熵信息的邻域粗糙集离群检测未考虑对象边界域不确定性的问题,基于邻域粗糙集对象邻域相对比和对象重要度等粒化特征,提出了融合邻域相对比和邻域粗糙熵的离群点检测方法(NRPNREOD).UCI标准数据集上的对比实验表明,NRPNREOD方法具有更好的数据集适应性和离群检测有效性.为混合型属性数据集的离群检测提供了一条新的有效途径.　　(2)针对经典粗糙集不能有效处理混合型数据的问题,构建了一个基于邻域粒的离群点检测模型.首先,通过采用邻域粗糙度概念定义邻域粒离群度,并用来表征邻域粒的离群程度.然后,通过集成粒离群程度和相应的权重,构建了融合邻域知识的邻域粒粗糙度离群因子，用来表征对象的离群程度.提出了融合邻域知识的邻域粒粗糙度离群点检测方法(NKNGROD).根据UCI标准数据集上的对比实验表明,NKNGROD算法是有效的.

关键词：数据挖掘离群检测邻域粗糙集熵信息邻域粒

来源：评论

学校读者我要写书评

暂无评论

基于相关子空间的多源离群检测算法

引用

计算机工程与应用 2021年第17期57卷 88-95页

作者：马洋赵旭俊太原科技大学计算机科学与技术学院太原030024

传统的离群检测方法多数源于单个数据集或多数据源融合后的单一数据集,其检测结果忽略了多源数据之间的关联知识和单数据源中的关键信息。为了检测多源数据之间的离群关联知识,提出一种基于相关子空间的多源离群检测算法RSMOD。结合k近... 详细信息

传统的离群检测方法多数源于单个数据集或多数据源融合后的单一数据集,其检测结果忽略了多源数据之间的关联知识和单数据源中的关键信息。为了检测多源数据之间的离群关联知识,提出一种基于相关子空间的多源离群检测算法RSMOD。结合k近邻集和反向近邻集的双向影响,给出面向多源数据的对象影响空间,提高了离群对象度量的准确性;在影响空间基础上,提出面向多源数据的稀疏因子及稀疏差异因子,有效地刻画了数据对象在多源数据中的稀疏程度,重新定义了相关子空间的度量,使其能适用于多源数据集,并给出基于相关子空间的离群检测算法;采用人工合成数据集和真实的美国人口普查数据集,实验验证了RSMOD算法的性能并分析了源于多数据集的离群关联知识。

关键词：离群检测多源数据子空间数据挖掘稀疏因子

来源：评论

学校读者我要写书评

暂无评论

基于相关子空间的扩展隔离森林离群检测算法

引用

计算机技术与发展 2022年第10期32卷 26-33,40页

作者：刘佳朱鹏云荀亚玲太原科技大学计算机科学与技术学院山西太原030024

扩展隔离森林离群检测作为一种集成离群检测方法,可选取随机斜率的超平面,具有将离群数据与正常数据对象快速分离,时间复杂度较低等优点,但隔离树超平面选取在数据集密集区域或含有无关维度数据区域时,严重影响了其离群检测的效果。采... 详细信息

扩展隔离森林离群检测作为一种集成离群检测方法,可选取随机斜率的超平面,具有将离群数据与正常数据对象快速分离,时间复杂度较低等优点,但隔离树超平面选取在数据集密集区域或含有无关维度数据区域时,严重影响了其离群检测的效果。采用相关子空间思想和方法,提出了一种扩展隔离森林离群检测算法。该算法利用高斯混合模型确定数据对象的相关子空间,从而保证了能够在稀疏数据区域中选取隔离树的切割超平面;隔离树分枝分割优先在稀疏数据区域中,选择隔离树超平面的随机截距点,可快速地将离群数据对象从稀疏数据区域中隔离出来,从而避免了在超平面的随机斜率选取时无关属性维度的干扰;将每个数据对象在各隔离树上的平均路径长度归一化后作为离群得分,并选取离群得分最大的若干个数据对象作为离群数据;在UCI数据集上通过实验验证了该算法的有效性,以及抽样数、隔离树个数和近邻数参数对其离群检测效果的影响。

关键词：离群检测扩展隔离森林相关子空间高斯混合模型稀疏数据区域

来源：评论

学校读者我要写书评

暂无评论

基于同构化角度的离群检测方法

引用

计算机工程与设计 2024年第12期45卷 3622-3630页

作者：裴正中赵旭俊太原科技大学计算机科学与技术学院山西太原030024

针对基于角度的离群检测方法普遍存在的计算成本高昂,且对超参数选择依赖性强的问题,提出一种基于角度的快速非参数方法HAOD。对数据集进行中心化处理并使用极坐标描;在此基础上,提出一种向量夹角计算函数的近似表示方法,采用该方法将... 详细信息

针对基于角度的离群检测方法普遍存在的计算成本高昂,且对超参数选择依赖性强的问题,提出一种基于角度的快速非参数方法HAOD。对数据集进行中心化处理并使用极坐标描;在此基础上,提出一种向量夹角计算函数的近似表示方法,采用该方法将向量夹角用一维顺序结构表示,提升检测效率;引入经验累积分布函数分别计算向量夹角及向量模长的尾部概率,将其作为单维度尾部得分;改进单维度尾部得分的聚合方式,对原始向量及其反转向量的尾部得分进行聚合,获取最终离群得分。在ODDS和UCI高维数据集上进行实验,其结果表明,HAOD在检测效率上优于5种对比方法,分别平均提高了28.74%至84.71%。

关键词：高维数据离群检测基于角度数据同构化极坐标表示经验累积分布函数偏度

来源：评论

学校读者我要写书评

暂无评论

基于最近邻的离群检测方法研究及应用

基于最近邻的离群检测方法研究及应用

引用

作者：宋思楠太原科技大学

学位级别：硕士

离群检测是数据挖掘的任务之一,目的是发现一些未知但有价值的知识或模式,其相关技术已被广泛应用于生活的各个方面。为了更好更快地检测出不同数据集中的离群数据,研究学者们提出了诸多离群检测算法。但这些算法大多受无关属性影响较大... 详细信息

离群检测是数据挖掘的任务之一,目的是发现一些未知但有价值的知识或模式,其相关技术已被广泛应用于生活的各个方面。为了更好更快地检测出不同数据集中的离群数据,研究学者们提出了诸多离群检测算法。但这些算法大多受无关属性影响较大,且无法同时检测局部离群点和全局离群点。i Forest算法是一种基于集成的、效率较高的经典离群检测算法,也具有以上不足。本课题针对该算法存在的这些不足进行了改进,并在恒星光谱数据集上对改进后的算法进行有效性验证。主要研究内容如下:针对i Forest构建隔离树过程中冗余属性较多和随机性较大,导致算法效率不稳定的问题,提出了一种基于最近邻相关属性隔离森林的(NForest)离群检测算法。该算法分为两个阶段:第一阶段,通过属性的密集区域查找不相关属性并去除,实现约简属性集;在第二阶段,通过假设高斯模型的方法选择根结点样本,将结点中最近邻居的距离求均值作为结点切割点,减少了原算法中根结点样本、切割属性、属性切割点的随机选择对算法造成的不稳定性影响;最后根据数据样本与彼此最近邻居的差异度提出新的离群评分,表征每个数据点的离群程度。经过理论分析与实验结果显示,Nforest算法的效率更稳定、准确率更高。针对i Forest无法同时检测全局离群点和局部离群点的问题,提出了一种基于属性加权聚类的隔离森林(WDNForest)离群检测算法。该算法分为两个阶段:第一阶段为构建隔离树,首先,根据属性特征重要程度对属性加权并对加权之后的数据进行k-means聚类,然后,利用DPC算法思想计算每个数据点的局部密度和相对距离,最后,依据不同数据点的密度、距离两个度量不同构建隔离树;第二阶段,隔离树构建完成之后,根据正常数据点与离群数据点的密度、距离不同分别定义局部离群函数和全局离群函数,计算离群值检测离群数据。经过在不同的UCI数据集上进行实验分析,结果表明WDNForest算法可同时检测出全局离群点和局部离群点,且算法在精度、召回率等方面与其他算法相比有较大的优势。在上述研究基础上,将改进算法在光谱数据上进行应用,进一步验证算法的有效性。分别使用NForest和WDNForest算法对预处理之后的光谱数据进行离群分析。从上述两种算法的实验结果中可知算法的离群检测性能很好,且可检测光谱数据中的稀有目标,为特定背景下探索未知、稀有目标提供了一种有效途径。

关键词：离群检测约剪属性最近邻居聚类离群 LAMOST 天体光谱

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：