离群检测及其优化算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景 | 第10-12页 |
| ·研究目标 | 第12页 |
| ·研究内容 | 第12-16页 |
| 2 谱聚类理论及算法 | 第16-36页 |
| ·谱聚类基本概念 | 第16-18页 |
| ·图的表示 | 第16-17页 |
| ·图Laplacian 矩阵及其性质 | 第17-18页 |
| ·典型的谱聚类算法 | 第18-22页 |
| ·SM 算法 | 第19-20页 |
| ·Mcut 算法 | 第20页 |
| ·NJW 算法 | 第20页 |
| ·Multicut 算法 | 第20-22页 |
| ·算法比较 | 第22页 |
| ·一种改进的谱聚类算法 | 第22-34页 |
| ·密度敏感的距离量度 | 第22-25页 |
| ·自动确定聚类数 | 第25-26页 |
| ·谱聚类算法描述 | 第26-27页 |
| ·实验结果 | 第27-34页 |
| ·小结 | 第34-36页 |
| 3 谱聚类在离群检测中的应用 | 第36-58页 |
| ·离群检测概述 | 第36-40页 |
| ·基于分布的离群检测方法 | 第36-37页 |
| ·基于距离的离群检测方法 | 第37-38页 |
| ·基于深度的离群检测方法 | 第38页 |
| ·基于密度的离群检测方法 | 第38-39页 |
| ·基于聚类的离群检测方法 | 第39-40页 |
| ·谱聚类用于离群检测的可行性 | 第40-43页 |
| ·基于谱聚类的离群检测算法 | 第43-52页 |
| ·相似图及邻接矩阵的构造 | 第43-46页 |
| ·Lanczos 算法 | 第46-47页 |
| ·基于共享邻居的谱聚类算法 | 第47页 |
| ·利用谱聚类实现离群检测 | 第47-49页 |
| ·实验结果 | 第49-52页 |
| ·小结 | 第52-58页 |
| 4 基于人工神经网络的离群检测模型 | 第58-76页 |
| ·人工神经网络概述 | 第58-61页 |
| ·人工神经元模型 | 第58-59页 |
| ·人工神经网络的结构与分类 | 第59-60页 |
| ·学习方法 | 第60-61页 |
| ·神经网络在数据挖掘中的应用 | 第61-63页 |
| ·基于RBF 网络的离群检测模型 | 第63-73页 |
| ·减法聚类 | 第64-65页 |
| ·RBF 网络权重计算 | 第65-66页 |
| ·离群检测 | 第66-68页 |
| ·实验结果 | 第68-73页 |
| ·小结 | 第73-76页 |
| 5 高维数据集的离群约简 | 第76-94页 |
| ·高维数据集中的离群检测与分析 | 第76-79页 |
| ·粗糙集理论及其应用 | 第79-82页 |
| ·基本概念 | 第79-81页 |
| ·属性约简 | 第81-82页 |
| ·搜索数据集的关键离群属性子集 | 第82-92页 |
| ·关键离群属性子集的定义 | 第82-84页 |
| ·关键离群属性子集的查找方法 | 第84-88页 |
| ·实验结果 | 第88-92页 |
| ·小结 | 第92-94页 |
| 6 总结与展望 | 第94-96页 |
| ·总结 | 第94-95页 |
| ·展望 | 第95-96页 |
| 致谢 | 第96-98页 |
| 参考文献 | 第98-112页 |
| 附录 | 第112页 |
| A 作者在攻读学位期间发表的论文目录 | 第112页 |
| B 作者在攻读学位期间参加的科研项目情况 | 第112页 |
