異常點(diǎn)是與數(shù)據(jù)集中大多數(shù)數(shù)據(jù)不同的、不一致的和具有足夠大偏差的數(shù)據(jù)實(shí)例。異常點(diǎn)檢測的主要任務(wù)是檢測數(shù)據(jù)集中的異常數(shù)據(jù)實(shí)例,可以用于找出某些反�，F(xiàn)象和異常行為,有著十分重要的研究意義。當(dāng)前,異常點(diǎn)檢測技術(shù)已經(jīng)在各種社會生產(chǎn)和生活領(lǐng)域中提供關(guān)鍵的、可操作的信息,并產(chǎn)生了許多代表性的應(yīng)用,例如信用卡欺詐檢測、醫(yī)療診斷、環(huán)境監(jiān)控、基因序列研究等。目前學(xué)術(shù)界已經(jīng)提出了許多異常點(diǎn)檢測算法,通�？梢苑譃槲宕箢�,即基于統(tǒng)計模型的方法、基于距離的檢測方法、基于密度的檢測方法、基于子空間的檢測方法和基于集成學(xué)習(xí)的檢測方法。本文概述了上述五類異常點(diǎn)檢測算法,分析了它們各自的優(yōu)點(diǎn)以及存在的不足之處,介紹了一些常用的異常點(diǎn)檢測算法和兩種主流的評價方法平均精度以及AUC值,并提出了兩種新的異常點(diǎn)檢測算法。1)基于多次抽樣的最近鄰異常點(diǎn)檢測算法MS-1NN:隨著近年數(shù)據(jù)容量和維度的增加,對異常點(diǎn)檢測算法的運(yùn)行速度、檢測效果和穩(wěn)定性都提出了更高的要求,傳統(tǒng)的基于k-近鄰搜索方法難以兼顧,基于一次抽樣的方法隨機(jī)因素較大,算法效果不夠穩(wěn)定。鑒于這些問題,本文提出了一種基于多次抽樣的最近鄰異常點(diǎn)檢測算法MS-1NN,并且將... 

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于統(tǒng)計模型的異常點(diǎn)檢測方法
        1.2.2 基于距離的異常點(diǎn)檢測方法
        1.2.3 基于密度的異常點(diǎn)檢測方法
        1.2.4 基于子空間的異常點(diǎn)檢測方法
        1.2.5 基于集成學(xué)習(xí)的異常點(diǎn)檢測方法
    1.3 本文的主要工作
    1.4 本文的組織結(jié)構(gòu)
第二章 異常點(diǎn)檢測的相關(guān)研究
    2.1 異常點(diǎn)概述
        2.1.1 異常點(diǎn)的定義和形成原因
        2.1.2 異常點(diǎn)的分類
    2.2 常見的異常點(diǎn)檢測算法
        2.2.1 DPMM算法
        2.2.2 ABOD算法
        2.2.3 kNN算法
        2.2.4 LOF算法
        2.2.5 LDOF算法
        2.2.6 HiCS算法
    2.3 異常點(diǎn)檢測算法評價方法
        2.3.1 平均精度
        2.3.2 AUC值
    2.4 本章小結(jié)
第三章 基于多次抽樣的異常點(diǎn)檢測算法
    3.1 引言
    3.2 基于抽樣的qkthNN和 qsp算法
        3.2.1 qkthNN算法
        3.2.2 qsp算法
    3.3 MS-1NN算法
        3.3.1 算法思路
        3.3.2 隨機(jī)抽樣及子樣本處理
        3.3.3 異常評分的計算
        3.3.4 距離公式的計算
        3.3.5 算法描述
    3.4 對比實(shí)驗(yàn)及結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 實(shí)驗(yàn)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 基于維度熵的異常點(diǎn)檢測算法
    4.1 引言
    4.2 iForest算法
        4.2.1 訓(xùn)練階段
        4.2.2 預(yù)測階段
    4.3 E-iForest算法
        4.3.1 算法思路
        4.3.2 維度熵的計算
        4.3.3 三個隔離策略
        4.3.4 改進(jìn)路徑長度的計算
        4.3.5 算法描述
    4.4 實(shí)驗(yàn)及結(jié)果分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 實(shí)驗(yàn)設(shè)置
        4.4.3 實(shí)驗(yàn)結(jié)果
        4.4.4 E-iForest參數(shù)分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)距離和的異常點(diǎn)檢測算法研究[J]. 李春生,于澍,劉小剛.  計算機(jī)技術(shù)與發(fā)展. 2019(03)
[2]顯著性光流直方圖字典表示的群體異常事件檢測[J]. 岑翼剛,王文強(qiáng),李昂,梁列全,王恒友.  信號處理. 2017(03)
[3]基于Isolation Forest的并行化異常探測設(shè)計[J]. 侯泳旭,段磊,秦江龍,秦攀,唐常杰.  計算機(jī)工程與科學(xué). 2017(02)
[4]一種新的在線流數(shù)據(jù)異常檢測方法[J]. 丁智國,莫毓昌,楊凡.  計算機(jī)科學(xué). 2016(10)
[5]基于密度的異常數(shù)據(jù)檢測算法GSWCLOF[J]. 李少波,孟偉,璩晶磊.  計算機(jī)工程與應(yīng)用. 2016(19)
[6]基于高斯過程模型的異常檢測算法[J]. 于冰潔,夏戰(zhàn)國,王久龍.  計算機(jī)工程與設(shè)計. 2016(04)
[7]基于鄰域密度的異常檢測方法[J]. 趙華,秦克.  計算機(jī)工程與應(yīng)用. 2014(17)
[8]基于核函數(shù)-主成分維數(shù)約減的離群點(diǎn)檢測[J]. 徐雪松,劉耀宗,趙學(xué)龍,張宏,劉鳳玉.  計算機(jī)工程. 2008(08)
[9]基于核函數(shù)Fisher鑒別的異常入侵檢測[J]. 周鳴爭.  電子與信息學(xué)報. 2006(09)



本文編號：3706141