| 张忠平* ** ***,邓禹*,刘伟雄*,张玉停*.FNOD:基于近邻差波动因子的离群点检测算法[J].高技术通讯(中文),2022,32(7):674~686 |
| FNOD:基于近邻差波动因子的离群点检测算法 |
| FNOD: outlier detection algorithm based on fluctuation of nearest neighbor difference factor |
| |
| DOI：10.3772/j.issn.1002-0470.2022.07.002 |
| 中文关键词: 数据挖掘； 离群点； 剪枝； 相互k近邻（MUN）； 近邻差波动因子 |
| 英文关键词: data mining, outliers, pruning, mutual k neighbor (MUN), nearest neighbor difference fluctuation factor |
| 基金项目: |
| 作者 | 单位 | | 张忠平* ** *** | (*燕山大学信息科学与工程学院秦皇岛 066004)
(**河北省计算机虚拟技术与系统集成重点实验室秦皇岛 066004)
(***河北省软件工程重点实验室秦皇岛 066004) | | 邓禹* | (*燕山大学信息科学与工程学院秦皇岛 066004)
(**河北省计算机虚拟技术与系统集成重点实验室秦皇岛 066004)
(***河北省软件工程重点实验室秦皇岛 066004) | | 刘伟雄* | (*燕山大学信息科学与工程学院秦皇岛 066004)
(**河北省计算机虚拟技术与系统集成重点实验室秦皇岛 066004)
(***河北省软件工程重点实验室秦皇岛 066004) | | 张玉停* | (*燕山大学信息科学与工程学院秦皇岛 066004)
(**河北省计算机虚拟技术与系统集成重点实验室秦皇岛 066004)
(***河北省软件工程重点实验室秦皇岛 066004) |
|
| 摘要点击次数: 1006 |
| 全文下载次数: 887 |
| 中文摘要: |
| 针对现存离群点检测算法和剪枝方法存在算法精确度较低和剪枝程度小的问题，提出了一种基于近邻差波动因子的离群点检测方法。该方法首先依据离群点的相互k近邻（MUN）点数远小于参数k这一特点，提出了一种基于近邻关系的剪枝方法；然后提出近邻差的概念来刻画数据对象与其邻居点的分布特征,在变化的参数k下，离群点和正常点的近邻差的变化不同；最后采用近邻差波动衡量每个数据点的离群程度，进而检测出离群点。人工数据集和真实数据集下的实验结果表明，该算法能够有效且较为全面地检测出离群点。 |
| 英文摘要: |
| To solve the problem of low accuracy and low degree of pruning in the existing outlier detection methods, a new outlier detection algorithm based on fluctuation of nearest neighbor difference factor is proposed. First, a pruning method based on the neighbor relationship is proposed according to the feature that the number of the mutual k neighbors (MUN) of outliers is much smaller than the parameter k. Second, the concept of nearest neighbor difference is proposed to describe the distribution characteristics of data objects and their neighbors. When parameter k changes, the nearest neighbor difference of outliers and normal points will be different. Finally, the fluctuation of the nearest neighbor difference is used to measure the outlier degree of each data point, and then the outlier point is detected. The experimental results in the artificial and real data sets show that the proposed algorithm can detect outliers effectively and comprehensively. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
