一种基于同步动力学模型的层次聚类方法

本文基于建模同步动力学行为的Kuramoto模型提出了一种新的有效层次聚类方法.本文提出的方法基于局部邻域的概念,能够实现稳定的局部同步聚类.通过不断扩大对象同步的邻域半径,所提出的方法能够实现层次化的同步聚类.此外,提出对象邻域闭包的概念,在对象间到达完全同步之前就能预测出聚类的形成,从而减少对象动态交互的时间.本文的方法不依赖于任何数据分布假设,无需任何手工参数设置,可以检测出任意数量、形状和大小的聚类.由于同步过程能够有效地规避离群点,该方法有较强的噪声数据抑制能力.在大量真实数据集和人工合成数据集上的实验结果表明本文的方法聚类准确率高,且运行时间较同类基准算法显著缩短.     

基于L1-范数的v-双子限定支持向量机

【目的】针对二分类问题,构造了一种新的基于L_1-范数的v-双子限定支持向量机(L_1-vTBSVM)。【方法】类似于v-双子限定支持向量机(v-TBSVM),L_1-vTBSVM确定两个非平行超平面,使得它们更接近于各自的类,并且与另一个类至少有ρ的距离。在L_1-vTBSVM中,由于用L_1-范数替代了L_2-范数,则相较于v-TBSVM,所提模型产生了不同的对偶问题。【结果】在求解对偶问题时避免了昂贵的矩阵逆运算,更重要的是,L_1-vTBSVM可以抑制离群值的负面影响,从而提高模型的鲁棒性。因此,改进的模型在处理大规模问题时更有效,且具有更好的泛化能力。【结论】在6个基准数据集上进行了数值实验,验证了该算法在线性、非线性和加入噪声情况下的有效性。     

回归分析中离群点的作用与搜寻

离群点在回归分析中往往起着至关重要的作用，特别在探矿、地震、天气预报等实际应用领域中。有时离群点正是最应特别关注的地方．本文从近代回归分析的角度探讨这种离群点的作用和搜寻问题。     

怎样防治草鱼肠炎病?

一、症状 鱼体腹部膨大,体表灰黑色,病鱼食欲减少或停食,离群单独游动,运动缓慢,失去平衡,腹部出现红斑,肛门红肿,轻压腹部有桔黄色粘液流出;剖检,可见肠道发炎充血,严重时肠道发紫,很快就会死亡.     

点云数据滤波方法综述

本文介绍了点云滤波的基本原理,对异常点检测问题的特点、分类及应用领域进行了阐述,同时对异常点检测的各种算法进行了分类研究与深入分析,最后指出异常点检测今后的研究方向。     

基于聚类的离群数据挖掘及应用

介绍了离群数据挖掘的基本概念,全面分析并总结了离群数据挖掘研究的历史与现状,以及离群数据挖掘的几类方法,并对一些典型方法进行了分析和评价,指出传统方法的优点和不足,展望了今后的研究工作。     

一种基于离群数据挖掘的数据抽查新方法

针对传统数据抽查方法很难保证数据抽查有效性的缺点 ,结合离群数据挖掘 ,给出了一种基于离群数据挖掘的数据抽查新方法 .通过实验表明 ,该方法既能克服了随机数据抽查难以保证抽查有效性的缺陷又能克服重点数据抽查对抽查者经验的依赖 ,从而保证了数据抽查的有效性和全面性     

线性回归模型的非线性稳健估计——基于经验过程理论的研究

线性回归模型参数估计的有效性及对厚尾扰动和离群值的稳健性有进一步改进的余地.本文基于条件分布函数提出线性参数模型的一种新的非线性稳健估计量,利用经验过程理论证明了其相合性和渐近正态性.相对于OLS(ordinary least squares)估计量和常用的稳健LAD(least absolute deviations)和Huber估计量,此估计量可全面把握因变量的分布信息,较准确地由样本数据反映真正的数据生成过程,关于扰动项的厚尾分布具有更好的稳健性,且可更好地消弱极端离群值样本对参数估计的不良影响.多种实验设计的模拟表明,此估计量在有限样本下表现良好;在厚尾扰动或离群值出现的时候,显示出良好的稳健性,且优于OLS、LAD以及Huber估计量的小样本表现.     

基于粗粒度单元的离群点检测算法研究

对现有的基于单元的算法进行改进,利用KNN算法思想得到距离与比例参数的合理先验值,以加快离群点检测的收敛速度;同时通过扩大单元粒度,减少了单元区域查询次数与算法的空间复杂度,从而在整体上提高了离群点的检测效率。通过实验,验证了改进后算法的可行性,同时比较了其与原算法在不同参数下的性能优劣。     

基于数据模式聚类算法的离群点检测

针对传统模式挖掘算法在事务包含模式定义上未考虑模式间的包含关系而使聚类结果不够优良的问题, 提出一种新的基于模式聚类的离群点检测算法PCOT, 该算法适合于高维数据空间, 采用一种新的事务包含模式, 通过将模式表示成超图, 用超图分割方法对模式进行聚类. 实验与分析结果表明, 该算法能有效地在高维稀疏空间中发现离群点.