没有合适的资源?快使用搜索试试~ 我知道了~
不确定数据的聚类分析与异常点检测算法.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 36 浏览量
2022-10-24
14:32:25
上传
评论
收藏 67KB PDF 举报
温馨提示
试读
2页
。。。
资源推荐
资源详情
资源评论
不确定数据的聚类分析与异常点检测算法
不确定数据作为一种新型的数据模型 , 被广泛应用于金融、基于位置的服务、
移动物体监测、 传感器网络等许多类型应用领域。
近年来出现的面向不确定数据
的分析处理技术已成为数据库、数据挖掘等领域的研究热点。
不确定性的存在给研究人员带来了新的挑战:一方面 , 传统的数据挖掘技术
,
中的基本概念都是面向确定数据的 , 需要扩展后应用于不确定数据;另一方面
不确定数据对应的可能世界模型中的实例数量是指数级增长的
的复杂度并增加运行时间、内存占用率等资源消耗。基于此
, 会增加挖掘算法
, 在了解和掌握数据
, 本挖掘基本概念和相关算法、不确定数据的产生背景及数据模型特点的基础上
文主要研究了不确定数据的聚类和异常点检测问题
多样的聚类分析和异常点检测功能。
同时 , 对本文所提出的算法进行大量的相关实验分析
, 旨在为不确定数据提供更为
, 实验结果证明了提出
算法的有效性和高效性。本文的主要贡献体现在以下几个方面:
一种障碍空间中不确定数据聚类算法
(1) 本文提出了
OBS-UK-means (Obstacle Uncertain
, 分别提出了基于 R 树和
K-means), 为了保证聚类准确性的前提下提高算法效率
Voronoi 图的两种剪枝策略和最近距离区域的概念。
通过实验验证了 OBS-UK-means 算法的高效性和准确性 , 同时证明了剪枝策
略在不损害聚类有效性的情况下 , 能够有效的提高聚类效率。 (2) 本文提出了基于
密度的局部不确定数据异常点检测算法。
首先提出了一个新的基于密度的局部异常点的定义
提出基于动态规划的方法进行异常点检测。最后
储代价并提高算法的效率。
, 其次 , 为提高算法效率 ,
, 设计相应的剪枝策略以降低存
资源评论
G11176593
- 粉丝: 6628
- 资源: 3万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功