基于K-均值聚类和泰森多边形的异常值检测方法

离群点发现是数据挖掘研究的一个重要方面.根据数据流的特点提出一种基于K-均值聚类和泰森多边形的离群点检测方法，先用K-均值对数据进行处理，生成中间聚类结果，然后用泰森多边形方法（VOD）对这些中间结果进行再次选择，最后找出可能存在的离群点.     

基于粒度计算的分类属性数据离群点检测算法

针对基于距离的离群检测算法无法有效应用于分类属性数据集,本文提出一种基于粒度计算理论的对象离群程度计算公式。基于该公式所计算的对象的离群因子值,对所有对象进行排序,将排序后的前k个对象声明为离群点。为了使用相对简单的方法从分类属性数据集中查找离群点,文中构造了一个算法ODAGr C(Outlier detection algorithm based on granular computing)。理论分析和应用实例证明了ODAGr C算法的有效性和可行性。     

小波变换的离群时序数据挖掘分析

针对时序数据进行离群数据挖掘方法的研究。通过对时序数据进行离散小波变换,将其从时域空间变换到频域空间,使时序数据映射为多维空间的点。该方法具有多尺度、时移不变性等特点,经离群时间序列进行离散小波变换后,不仅具有良好的保距性又达到降低维数目的。然后提出一种基于距离的离群时序数据挖掘算法。仿真试验表明了该方法的有效性。     

稳健动态时间规整的面板数据聚类

动态时间规整的面板数据聚类能够反映面板数据的动态发展趋势,但缺乏对离群值的识别和处理,导致聚类结果不稳健。针对这一问题提出了稳健动态时间规整的面板数据聚类方法,通过引进稳健统计量获取稳健的时间序列,即运用稳健统计量重新构造均值向量和协方差矩阵计算时间序列,提升时间序列提取的合理性和准确性,消除离群值对动态时间规整结果的影响。通过实证分析,结果表明:相较于动态时间规整方法,运用所提出的方法进行聚类的结果更稳健、更贴合实际。     

PCA在过程故障检测与诊断中的应用

讨论了基于主元分析 ( PCA)的过程故障检测与诊断的原理 ,运用 T2统计、Q统计方法 ,结合贡献图对一典型过程进行了仿真分析 ,结果表明 PCA方法可对简单传感器故障进行检测与诊断 ,并指出了该方法中的不足 ,提出了将 PCA方法同基于过程动态模型的故障诊断方法相结合的研究思路     

分析测试中离群数据的检验与取舍

本文介绍了对分析测试中离群数据进行统计学检验的方法,编制了相应的计算机程序,列举了应用实例。     

异构集群中非结构化大数据检测方法

传统的非结构化大数据检测方法只分析数据的统计特征、缺少对其中模糊闭频繁项集特征的识别,易出现监测结果不理想的问题。为了提高对异构集群中非结构化大数据的检索识别能力,提出一种基于模糊闭频繁项集特征挖掘的异构集群中非结构化大数据检测方法。分析异构集群中非结构化大数据的统计特征信息,并采用大数据信息融合方法对其进行状态监测和特征识别,从中提取非结构化大数据的模糊闭频繁项集特征量;利用支持向量机模型对非结构化大数据检测进行分类处理,根据不同大数据的分类属性进行自动检测识别,提高对异构集群中非结构化大数据检测的准确率和监测过程抗干扰能力。实验结果表明:采用该方法对异构集群中非结构化大数据检测的准确性和检测精度较高,具有很强的应用优势。     

基于风险数据挖掘追踪技术的网络入侵检测研究

网络入侵检测是通过分析网络流量行为来识别网络中恶意活动的过程,针对网络入侵检测面临的海量数据入侵检测的挑战,提出了一种新的基于KDD CUP 99数据集的特征选择算法,将基于滤波器和包装器的方法相结合,选择合适的特征进行网络检测入侵。首先,基于训练数据的一般特征对特征进行评价,不依赖于任何挖掘算法;然后,采用互信息萤火虫算法(MIFA)作为基于包装器的特征选择策略进行特征提取,进一步基于C4. 5分类器和基于贝叶斯网络(BN)的分类器,结合KDD CUP 99数据集对得到的特征进行分类;最后,将提出的方法与已有的工作进行比较。实验结果表明:10个特征足够检测入侵,并提高了检测精度和假阳性率。     

心理学中因素分析方法的应用及其发展

近几年来,因素分析方法是心理学中应用最为广泛的统计方法之一。就其具体的应用方法而言,主要包括探索性因素分析和验证性因素分析。在此,就这两种因素分析具体应用中的差异进行比较,对其步骤及优缺点进行论述,并从具体研究方法的发展方面进行了展望。     

基于MDL准则的独特码检测方法

通过应用MDL准则在信号检测中的特性,引入检测统计量和设定最佳判决门限,得到了一种新的UW检测方法,它与常用的检测方法不同之处在于可在调制数据上进行。通过对该检测方法的分析和计算机仿真,表明该检测方法能适应大频偏条件,并具有较好的检测性能。