基于多次抽样和维度熵的异常点检测算法研究

目录

声明

第一章 绪 论

1.1 研究背景与研究意义

1.2 国内外研究现状

1.2.1 基于统计模型的异常点检测方法

1.2.2 基于距离的异常点检测方法

1.2.3 基于密度的异常点检测方法

1.2.4 基于子空间的异常点检测方法

1.2.5 基于集成学习的异常点检测方法

1.3 本文的主要工作

1.4 本文的组织结构

第二章 异常点检测的相关研究

2.1 异常点概述

2.1.1 异常点的定义和形成原因

2.1.2 异常点的分类

2.2 常见的异常点检测算法

2.2.1 DPMM算法

2.2.2 ABOD算法

2.2.3 kNN算法

2.2.4 LOF算法

2.2.5 LDOF算法

2.2.6 HiCS算法

2.3 异常点检测算法评价方法

2.3.1 平均精度

2.3.2 AUC值

2.4 本章小结

第三章 基于多次抽样的异常点检测算法

3.1 引言

3.2 基于抽样的qkthNN和qsp算法

3.2.1 qkthNN算法

3.2.2 qsp算法

3.3 MS-1NN算法

3.3.1 算法思路

3.3.2 随机抽样及子样本处理

3.3.3 异常评分的计算

3.3.4 距离公式的计算

3.3.5 算法描述

3.4 对比实验及结果分析

3.4.1 实验数据

3.4.2 实验设置

3.4.3 实验结果

3.5 本章小结

第四章 基于维度熵的异常点检测算法

4.1 引言

4.2 iForest算法

4.2.1 训练阶段

4.2.2 预测阶段

4.3 E-iForest算法

4.3.1 算法思路

4.3.2 维度熵的计算

4.3.3 三个隔离策略

4.3.4 改进路径长度的计算

4.3.5 算法描述

4.4 实验及结果分析

4.4.1 实验数据

4.4.2 实验设置

4.4.3 实验结果

4.4.4 E-iForest参数分析

4.5 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

攻读学位期间的研究成果