适用于关联属性的样本自适应参数孤立点检测法  

Sample-adaptive-parameters outlier detection method for associated-attributes

作　　者：刘胜宗[1] 樊晓平[1,2] 廖志芳[3] 

机构地区：[1]中南大学信息科学与工程学院,长沙410075 [2]湖南财政经济学院网络化系统研究所,长沙410205 [3]中南大学软件学院,长沙410075

出　　处：《计算机应用研究》2012年第9期3259-3262,共4页Application Research of Computers

基　　金：国家科技支撑计划资助项目(2012BAH08B00)

摘　　要：为解决数据集中关联属性之间的干扰问题,通过引进Mahalanobis距离,并对传统的k近邻孤立点检测方法进行了改进,提出了一种新的基于样本的参数选取方法。该方法通过训练数据集中的正常数据和孤立点数据,以获得最优的k距离值和阈值。实验仿真结果表明,提出的算法有更高的准确率,同时降低了误检率。In order to solve the interfering problem of associated-attributes in datasets,this paper improved the traditional k-nearest neighbor outlier detection method by the introduction of Mahalanobis distance,and proposed a new sample-based parameters selection method which gained the optimization k-distance value and threshold by training the normal and outlier data in the sample dataset.Simulation results illustrate the proposed algorithm has higher accuracy,lower false detection rate

关 键 词：孤立点检测 关联属性 样本自适应 MAHALANOBIS距离 

分 类 号：TP301.6[自动化与计算机技术—计算机系统结构]