声明
致谢
摘要
1.1 研究背景与意义
1.2 异常检测的研究现状
1.2.1 异常数据定义
1.2.2 异常检测算法概述
1.2.3 异常检测评价指标
1.3 本论文的研究工作
1.4 论文的安排
1.5 本章小结
2 异常检测算法分类
2.1 基于无监督学习框架
2.2 基于单分类学习框架
2.2.1 基于密度估计的算法
2.2.2 基于重构的算法
2.2.3 基于支撑域的算法
2.3 基于两分类学习框架
2.4 本章小结
3 基于随机典型相关编码的异常检测算法研究
3.1 相关工作
3.1.1 多视角数据异常检测
3.1.2 高维数据异常检测
3.2 基于随机典型相关分析的异常检测算法框架
3.2.1 符号说明
3.2.2 算法框架
3.3 随机典型相关(RCCE)特征的获取
3.3.1 基于CCA的相关性学习
3.3.2 RCCE特征表示的获取
3.4 基于Rayleigh分布的判决模型
3.4.1 RCCE相关特征的统计刻画
3.4.2 RCCE相关特征的Rayleigh估计
3.4.3 判决模型的建立
3.5 实验结果与分析
3.5.1 数据集说明
3.5.2 比较算法
3.5.3 实验结果分析
3.6 本章小结
4 基于标签传递的异常检测算法研究
4.1 标签传递模型
4.1.1 符号说明
4.1.2 标签传递
4.2 基于标签传递的异常检测
4.2.1 问题描述
4.2.2 异常检测框架
4.2.3 基于多重随机标记的标签传递
4.3 基于标签置信度统计特性的异常判决
4.4 实验结果与分析
4.4.1 数据集与比较算法说明
4.4.2 比较算法
4.4.3 实验结果分析
4.5 本章小结
5 基于超图聚类的异常检测算法研究
5.1 相关工作
5.1.1 聚类分析与异常检测
5.1.2 图学习
5.2 基于超图聚类的异常检测
5.2.1 研究动机
5.2.2 算法框架
5.3 基于HMETIS划分的超图聚类
5.3.1 超图的概念
5.3.2 HMETIS算法
5.3.3 超图聚类
5.4 基于关联度的异常判决
5.4.1 关联度的获取
5.4.2 异常判决
5.5 实验结果与分析
5.5.1 比较算法
5.5.2 实验结果分析
5.5.3 参数分析
5.6 本章小结
6.1 工作总结
6.2 工作展望
参考文献
作者简历
学位论文数据集