發(fā)布時(shí)間：2021-02-03 11:42

　　針對(duì)大多基于聚類的離群點(diǎn)檢測(cè)算法往往需要人工輸入?yún)?shù),對(duì)于不同的數(shù)據(jù)集很難選擇一個(gè)合適參數(shù)的問(wèn)題,將無(wú)參數(shù)的基于自然鄰居的離群點(diǎn)檢測(cè)算法的自然鄰居搜索算法和密度峰值聚類算法相結(jié)合,提出一種基于聚類離群因子和相互密度的離群點(diǎn)檢測(cè)算法。該算法使用相互密度和γ密度構(gòu)造決策圖,將γ密度異常大的樣本點(diǎn)作為聚類中心進(jìn)行聚類,最后根據(jù)聚類的離群因子找出離群聚類邊界檢測(cè)離群點(diǎn),該算法不需要人工輸入?yún)?shù)。在模擬數(shù)據(jù)集和真實(shí)數(shù)據(jù)集下進(jìn)行了實(shí)驗(yàn),證明了所提算法能很好地進(jìn)行聚類和離群數(shù)據(jù)的挖掘。 

【文章來(lái)源】：計(jì)算機(jī)集成制造系統(tǒng). 2019,25(09)北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
1 問(wèn)題的提出
2 相關(guān)工作
    2.1 NOF算法的相互鄰居搜索算法
    2.2 相互鄰居搜索（MuN-Searching）算法的偽代碼
    2.3 DPC算法
3 COF算法
    3.1 算法思想
    3.2 相關(guān)定義
    3.3 COF算法描述
    3.4 COF算法復(fù)雜度分析
4 實(shí)驗(yàn)評(píng)估
    4.1 實(shí)驗(yàn)指標(biāo)
    4.2 模擬數(shù)據(jù)集實(shí)驗(yàn)
    4.3 真實(shí)數(shù)據(jù)集實(shí)驗(yàn)
5 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于微粒群算法的上下文離群數(shù)據(jù)挖掘算法[J]. 王也,張繼福,趙旭俊.  太原科技大學(xué)學(xué)報(bào). 2015(05)
[2]基于累積全熵的子空間聚類離群點(diǎn)檢測(cè)算法[J]. 張忠平,房春珍.  計(jì)算機(jī)集成制造系統(tǒng). 2015(08)
[3]離群點(diǎn)挖掘研究[J]. 徐翔,劉建偉,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2009(01)
[4]局部離群點(diǎn)挖掘算法研究[J]. 薛安榮,鞠時(shí)光,何偉華,陳偉鶴.  計(jì)算機(jī)學(xué)報(bào). 2007(08)
[5]基于粒子群的K均值聚類算法[J]. 劉靖明,韓麗川,侯立文.  系統(tǒng)工程理論與實(shí)踐. 2005(06)

碩士論文
[1]基于聚類和密度的離群點(diǎn)檢測(cè)方法[D]. 陶晶.華南理工大學(xué) 2014



本文編號(hào)：3016443