基于密度的局部離群點檢測算法的研究與應用.pdf_第1頁
已閱讀1頁,還剩72頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、近年來,隨著傳感器技術和數(shù)據(jù)庫技術的迅猛發(fā)展,數(shù)據(jù)挖掘技術得到了廣泛的應用,影響著人們生活的各個領域。數(shù)據(jù)挖掘技術就是從海量的、有噪聲的數(shù)據(jù)集中提取新穎的、有價值的潛在知識。離群點檢測作為數(shù)據(jù)挖掘的一個熱門分支,主要致力于查找出相對于其他大量數(shù)據(jù)對象產(chǎn)生顯著偏離,或不符合一般對象的行為特征的對象。目前,離群點檢測主要應用于網(wǎng)絡攻擊行為檢測,信用卡詐騙檢測,極端天氣預報,電信話費詐騙分析等領域。
  離群點檢測的應用越來越受到關注,

2、現(xiàn)有的離群點檢測算法遭遇到極大挑戰(zhàn)。主要存在如下不足:(1)數(shù)據(jù)量越來越大,數(shù)據(jù)維數(shù)越來越高,甚至達到成百上千維,而現(xiàn)有的離群點挖掘算法主要針對中低維的小規(guī)模的數(shù)據(jù)集,難以有效地挖掘高維海量的數(shù)據(jù)集,并且檢測出的離群點是全局的,而非局部的;(2)簡單的將離群點看作是一種“非此即彼”的二元屬性,未能對離群點的離群程度進行評估。
  本文針對傳統(tǒng)的基于密度的離群點檢測算法LOF、ELSC存在的不足,主要局限在難以適應高維大數(shù)據(jù)量的挖掘

3、,并且沒有充分考慮數(shù)據(jù)對象與其鄰域內(nèi)對象的相對關系,挖掘過程中重復計算的步驟過多。從而提出了改進算法NELSC。本文的主要工作有:
  (1)針對海量的大規(guī)模數(shù)據(jù)集,本文提出了基于DBSCAN算法的剪枝策略。根據(jù)DBSCAN算法對參數(shù)敏感的特點,通過使用多組不同的數(shù)據(jù)參數(shù),得到不同的DBSCAN聚類結(jié)果,然后對結(jié)果進行分析整合,將簇數(shù)據(jù)剪枝,得到初步的離群數(shù)據(jù)集。使用多組不同的參數(shù)是為了避免誤將簇邊緣的數(shù)據(jù)對象錯剪,這樣可以最大程

4、度地減小數(shù)據(jù)量,降低計算復雜度,同時又可以保證檢測的精確度。
  (2)針對傳統(tǒng)算法對高維數(shù)據(jù)集檢測低效的問題,文中提出基于信息熵的離群子空間策略,通過使用該策略,對不同的對象屬性賦予不同的權值,根據(jù)不同屬性權值生成不同的屬性權向量,進而計算得到對象之間的熵權距離,有效地解決了高維數(shù)據(jù)挖掘中存在的“維度災難”問題,實現(xiàn)了在高維空間中基于密度的局部離群點挖掘。
  (3)在DBSCAN算法聚類的過程中和計算局部離群系數(shù)時,傳統(tǒng)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論