針對大多基于聚類的離群點檢測算法往往需要人工輸入參數(shù),對于不同的數(shù)據集很難選擇一個合適參數(shù)的問題,將無參數(shù)的基于自然鄰居的離群點檢測算法的自然鄰居搜索算法和密度峰值聚類算法相結合,提出一種基于聚類離群因子和相互密度的離群點檢測算法。該算法使用相互密度和γ密度構造決策圖,將γ密度異常大的樣本點作為聚類中心進行聚類,最后根據聚類的離群因子找出離群聚類邊界檢測離群點,該算法不需要人工輸入參數(shù)。在模擬數(shù)據集和真實數(shù)據集下進行了實驗,證明了所提算法能很好地進行聚類和離群數(shù)據的挖掘。 

【文章來源】：計算機集成制造系統(tǒng). 2019,25(09)北大核心

【文章頁數(shù)】：10 頁

【文章目錄】：
1 問題的提出
2 相關工作
    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 相關定義
    3.3 COF算法描述
    3.4 COF算法復雜度分析
4 實驗評估
    4.1 實驗指標
    4.2 模擬數(shù)據集實驗
    4.3 真實數(shù)據集實驗
5 結束語


【參考文獻】：
期刊論文
[1]基于微粒群算法的上下文離群數(shù)據挖掘算法[J]. 王也,張繼福,趙旭俊.  太原科技大學學報. 2015(05)
[2]基于累積全熵的子空間聚類離群點檢測算法[J]. 張忠平,房春珍.  計算機集成制造系統(tǒng). 2015(08)
[3]離群點挖掘研究[J]. 徐翔,劉建偉,羅雄麟.  計算機應用研究. 2009(01)
[4]局部離群點挖掘算法研究[J]. 薛安榮,鞠時光,何偉華,陳偉鶴.  計算機學報. 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)工程理論與實踐. 2005(06)

碩士論文
[1]基于聚類和密度的離群點檢測方法[D]. 陶晶.華南理工大學 2014



本文編號：3016443