本文選題：屬性異常點 + 人工蜂群算法��； 參考：《計算機科學與探索》2017年12期

【摘要】：為了解決數(shù)據(jù)庫屬性異常點檢測方法時間復雜度大并且查準率和查全率不高的問題,提出了新的基于人工蜂群優(yōu)化技術(artificial bee colony,ABC)和O-measure度量(一種評估屬性異常點的度量)相結合的屬性異常點檢測方法,模擬人工蜂群隨機搜索較優(yōu)的食物源能力發(fā)現(xiàn)屬性異常點。針對群體智能算法檢測屬性異常點會陷入局部收斂的缺陷,提出使用模擬退火技術讓人工蜂群跳出局部最優(yōu)解而找到全局最優(yōu)解的算法。該算法通過蜂群在二維數(shù)據(jù)平面上搜索食物源,計算所經過路徑上的數(shù)據(jù)項O-measure適應度,從中尋找最優(yōu)解(即屬性異常點)。實驗結果表明,所提算法較之前的算法耗時短,且提高了檢測的準確率和查全率。
[Abstract]:In order to solve the problem of high time complexity and low precision and recall rate of database attribute anomaly detection method,A new method based on artificial bee colony optimization technique (artificial bee colony) and O-measure metric (a measure for evaluating attribute outliers) is proposed to detect attribute outliers.In order to solve the problem that swarm intelligence algorithm can detect the abnormal points of attributes and fall into local convergence, an algorithm is proposed to find the global optimal solution by using simulated annealing technology to make artificial beehives jump out of the local optimal solution and find the global optimal solution.In this algorithm, the food source is searched on the two-dimensional data plane by the bee colony, and the O-measure fitness of the data item on the path is calculated, from which the optimal solution (attribute anomaly point) is found.The experimental results show that the proposed algorithm takes less time and improves the detection accuracy and recall.
【作者單位】： 暨南大學信息科學技術學院;
【基金】：國家自然科學基金No.U1431227 廣州市科技計劃基金No.201604010037~~
【分類號】：TP18;TP311.13

【相似文獻】

相關期刊論文 前10條

1 陶運信;皮德常;;屏蔽輸入?yún)?shù)敏感的異常點檢測新方法[J];計算機科學;2008年12期

2 陶運信;皮德常;;基于鄰域和密度的異常點檢測算法[J];吉林大學學報(信息科學版);2008年04期

3 張春生;李艷;王海珍;張世錚;;基于縱橫距離的單純異常點檢測算法及應用[J];內蒙古民族大學學報(自然科學版);2009年04期

4 顏慶茁;Java的異常設計原則[J];集美大學學報(自然科學版);2004年02期

5 王洪春;彭宏;;一種基于主成分分析的異常點挖掘方法[J];計算機科學;2007年10期

6 劉洪濤;童德利;陳世福;;一種基于屬性的異常點檢測算法[J];計算機科學;2005年05期

7 陸介平;倪巍偉;孫志揮;;基于關聯(lián)分析的高維空間異常點發(fā)現(xiàn)[J];應用科學學報;2006年01期

8 蘇衛(wèi)星;朱云龍;劉芳;胡琨元;;時間序列異常點及突變點的檢測算法[J];計算機研究與發(fā)展;2014年04期

9 盧鳴;;基于異常點處理和自劈分合并學習的聚類方法[J];福建電腦;2008年12期

10 王元明;熊偉;;異常數(shù)據(jù)的檢測方法[J];重慶工學院學報(自然科學版);2009年02期

相關會議論文 前5條

1 張維;劉博;張小濤;;日內金融高頻數(shù)據(jù)的異常點檢測[A];全國自動化新技術學術交流會會議論文集（一）[C];2005年

2 劉曉艷;王麗珍;楊志強;陳紅梅;;基于數(shù)學形態(tài)學的模糊異常點檢測[A];第26屆中國數(shù)據(jù)庫學術會議論文集（B輯）[C];2009年

3 王倩;劉奕群;馬少平;茹立云;;面向用戶互聯(lián)網訪問日志的異常點擊分析[A];第五屆全國信息檢索學術會議論文集[C];2009年

4 王麗珍;周麗華;肖清;;基于數(shù)據(jù)倉庫的動態(tài)異常點檢測研究[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（二）[C];2008年

5 張重生;馮海軍;陳紅;梁思維;李翠平;;一種分布式數(shù)據(jù)集上top-n異常點挖掘的高效算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（二）[C];2008年

相關碩士學位論文 前7條

1 何歡;基于概念漂移的異常檢測技術研究[D];電子科技大學;2015年

2 沈琰輝;基于鄰域離散度和隔離樹的異常點檢測算法研究[D];浙江師范大學;2016年

3 趙伯夷;基于神經網絡的異常點挖掘[D];河北大學;2011年

4 曹忠虔;時間序列異常檢測的研究[D];電子科技大學;2012年

5 楊金偉;基于距離和信息熵的不確定異常點檢測研究[D];云南大學;2011年

6 張洋;一種基于熱計量數(shù)據(jù)的異常點挖掘算法研究[D];燕山大學;2012年

7 張曉;教師評價中基于聚類算法的異常點分析的研究[D];東北師范大學;2009年

，

本文編號：1738301