基于k近邻树的离群检测算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 2 离群检测技术 | 第16-29页 |
| 2.1 离群检测技术概述 | 第16-18页 |
| 2.1.1 离群点产生原因 | 第16页 |
| 2.1.2 离群点的定义和分类 | 第16-17页 |
| 2.1.3 离群点检测应用 | 第17-18页 |
| 2.2 传统离群点检测算法概述 | 第18-25页 |
| 2.2.1 基于统计学的离群检测算法 | 第18-20页 |
| 2.2.2 基于距离的离群检测算法 | 第20-21页 |
| 2.2.3 基于密度的离群检测算法 | 第21-23页 |
| 2.2.4 基于聚类的离群检测算法 | 第23-24页 |
| 2.2.5 基于偏离的离群检测算法 | 第24-25页 |
| 2.3 离群检测的研究热点和趋势 | 第25-28页 |
| 2.3.1 时序离群点检测 | 第25-26页 |
| 2.3.2 高维数据离群检测 | 第26-27页 |
| 2.3.3 空间数据离群检测 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于 k 近邻树的离群检测算法研究 | 第29-38页 |
| 3.1 相关概念及分析 | 第29-32页 |
| 3.1.1 问题提出与分析 | 第29-30页 |
| 3.1.2 基本定义 | 第30-31页 |
| 3.1.3 常用的不相似性度量简介 | 第31-32页 |
| 3.2 基于 k 近邻树的离群检测算法 | 第32-37页 |
| 3.2.1 不相似性度量 | 第32-33页 |
| 3.2.2 建立最小生成树 | 第33-34页 |
| 3.2.3 离群点检测 | 第34-37页 |
| 3.2.4 算法时间复杂度分析 | 第37页 |
| 3.3 本章小结 | 第37-38页 |
| 4 KNMOD 算法特性分析以及实验测试 | 第38-51页 |
| 4.1 KNMOD 算法特性分析 | 第38-45页 |
| 4.1.1 实验环境和数据来源 | 第38页 |
| 4.1.2 基于 k 近邻不相似性度量实验分析 | 第38-40页 |
| 4.1.3 KNMOD 算法特性以及实验分析 | 第40-43页 |
| 4.1.4 参数 k 鲁棒性实验分析 | 第43-45页 |
| 4.2 UCI 数据集实验测试 | 第45-49页 |
| 4.2.1 数据来源以及预处理 | 第45-46页 |
| 4.2.2 实验结果评估方法 | 第46-47页 |
| 4.2.3 UCI 数据集实验分析 | 第47-49页 |
| 4.3 本章小结 | 第49-51页 |
| 5 总结及展望 | 第51-53页 |
| 5.1 论文工作总结 | 第51-52页 |
| 5.2 未来展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 附录 作者在攻读学位期间发表的论文目录 | 第60页 |
