離群點(diǎn)檢測是數(shù)據(jù)挖掘中極其重要的技術(shù),大到國家安全,小到個(gè)人健康,從網(wǎng)絡(luò)入侵檢測到醫(yī)保欺詐檢測,只要目標(biāo)是“不尋�！睌�(shù)據(jù),就可以應(yīng)用離群點(diǎn)檢測技術(shù)來代替人工方式。盡管已有的研究在這些領(lǐng)域取得了不少的成果,但仍存在參數(shù)依賴、檢測準(zhǔn)確率低、多對象時(shí)間序列數(shù)據(jù)離群點(diǎn)檢測困難等問題。針對這些問題,本文在離群點(diǎn)檢測技術(shù)的參數(shù)優(yōu)化、多場景算法檢測準(zhǔn)確率提高和算法結(jié)果評估指標(biāo)等方面進(jìn)行了深入研究和探索。本文主要的研究工作和創(chuàng)新點(diǎn)包括:（1）針對參數(shù)k（鄰域大�。┑膬�(yōu)化問題,本文提出了一種基于互近鄰圖的參數(shù)k搜索算法。該算法定義了一種描述互近鄰圖穩(wěn)定狀態(tài)的方法,通過搜索互鄰圖的穩(wěn)定狀態(tài)來選擇鄰近性算法的參數(shù)k。實(shí)驗(yàn)結(jié)果表明,該算法相較于其他參數(shù)k選擇算法在AUC檢測指標(biāo)上取得了更好的效果。（2）針對離群點(diǎn)種類多、模式復(fù)雜且缺少標(biāo)簽的場景,本文提出了一種基于主動自編碼（Active Autoencoder,AAE）的離群點(diǎn)檢測算法,該算法通過一種基于影響力的主動學(xué)習(xí)方式和一種新的膨脹收縮算子,以提高自編碼網(wǎng)絡(luò)在離群點(diǎn)稀疏場景下的檢測能力。實(shí)驗(yàn)結(jié)果表明,所提出的方法與其他方法相比,能更準(zhǔn)確地檢測出圖像數(shù)據(jù)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：116 頁

【學(xué)位級別】：博士

【部分圖文】：

HT_AUC與傳統(tǒng)評價(jià)方法的結(jié)果對比

LF_AUC與傳統(tǒng)評價(jià)方法的結(jié)果對比

離群點(diǎn)檢測一般使用外部度量來進(jìn)行評價(jià),即使用真實(shí)的標(biāo)簽來進(jìn)行評價(jià)度量。現(xiàn)有的離群點(diǎn)檢測算法評價(jià)指標(biāo)主要分為三類,如圖1-2所示。第一種是閾值法,在離群得分的基礎(chǔ)上,利用所設(shè)置的參數(shù)來劃分預(yù)測的離群點(diǎn)集。將預(yù)測的離群點(diǎn)集與真實(shí)的離群點(diǎn)標(biāo)簽作對比,用檢測率,精確度等統(tǒng)計(jì)值來評價(jià)算法效果。第二種是曲線法,將閾值法的全參數(shù)下的指標(biāo)繪制連續(xù)的曲線,曲線越“凸”,表示算法效果越好。第三種是整合法,用曲線下的面積來衡量算法效果,值越大,表示算法的效果越好。近年來,一些改進(jìn)的方法也被提出來了。例如Ethan Zhang等[56]提出了一種帶標(biāo)準(zhǔn)化的精確度的均值,以包含離群度排位信息。但是,這種方法在沒有調(diào)整的時(shí)候會產(chǎn)生錯(cuò)誤[57]。Klement等[58]針對受試者工作特征(Receiver Operating Characteristic,ROC)曲線丟失離群得分信息的問題,提出了一種平滑的ROC曲線,通過對ROC曲線加入平滑分量以保留離群得分信息,對評價(jià)算法的差異更具有一致性。此外,Marques等[59]提出了一種不需要真實(shí)標(biāo)簽的內(nèi)部評價(jià)方式,這種方式基于離群得分的相對評價(jià),但是計(jì)算復(fù)雜度太高。

【參考文獻(xiàn)】：
期刊論文
[1]離群點(diǎn)檢測算法的評價(jià)指標(biāo)[J]. 寧進(jìn),陳雷霆,羅子娟,周川,曾慧茹.  計(jì)算機(jī)應(yīng)用. 2020(09)
[2]基于自編碼器和隱馬爾可夫模型的時(shí)間序列異常檢測方法[J]. 霍緯綱,王慧芳.  計(jì)算機(jī)應(yīng)用. 2020(05)
[3]基于多模態(tài)時(shí)間序列建模的機(jī)器人安全監(jiān)控[J]. 吳鴻敏,張國英,管貽生,JUAN Rojas.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2020(01)
[4]多鏈路即時(shí)通信中交互數(shù)據(jù)異常點(diǎn)檢測仿真[J]. 趙磊.  計(jì)算機(jī)仿真. 2019(11)
[5]采用壓縮感知的流程工業(yè)異常監(jiān)測數(shù)據(jù)檢驗(yàn)與修復(fù)方法[J]. 徐光南,高智勇,梁艷杰,高建民,劉倩倩,程亞輝.  西安交通大學(xué)學(xué)報(bào). 2020(02)
[6]大數(shù)據(jù)環(huán)境下基于小波神經(jīng)網(wǎng)絡(luò)和ARMA模型的流量異常檢測[J]. 陳易平,俞龍,諶頏.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(10)
[7]基于誤差檢測的雜波點(diǎn)跡過濾技術(shù)[J]. 鄭浩,王偉,薩出拉.  指揮信息系統(tǒng)與技術(shù). 2019(04)
[8]模型聚合解聚的智能觸發(fā)機(jī)制[J]. 寧進(jìn),陳雷霆,周川,張磊.  計(jì)算機(jī)應(yīng)用. 2019(06)
[9]近岸海上安�？焱r截任務(wù)分配模型[J]. 王珂,惠新成,張遙.  指揮信息系統(tǒng)與技術(shù). 2018(01)
[10]基于多維時(shí)間序列分析的網(wǎng)絡(luò)異常檢測[J]. 陳興蜀,江天宇,曾雪梅,尹學(xué)淵,邵國林.  工程科學(xué)與技術(shù). 2017(01)



本文編號：3208628