CN105844102A - 一种自适应无参空间离群点检测算法 - Google Patents
一种自适应无参空间离群点检测算法 Download PDFInfo
- Publication number
- CN105844102A CN105844102A CN201610178994.5A CN201610178994A CN105844102A CN 105844102 A CN105844102 A CN 105844102A CN 201610178994 A CN201610178994 A CN 201610178994A CN 105844102 A CN105844102 A CN 105844102A
- Authority
- CN
- China
- Prior art keywords
- outlier
- spatial
- benchmark
- algorithm
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于离群点挖掘领域,尤其涉及一种自适应无参空间离群点检测算法。其特征在于,首先通过基于全局稳定的最近邻确定算法计算出最终最近邻居个数和对象o的空间邻居;计算数据集O中每个对象的空间离群度;对数据集O的非空间维度属性进行离群点检测;设置临界离群点;计算判定空间离群点的门限值;将SLOV大于门限的点作为潜在空间离群点;最后进行空间离群点判别。本发明算法提高了检测精度,并根据数据特性自适应确定离群点检测门限和对象的空间邻域,不需要用户给定空间离群点个数和空间邻域个数就能自主检测出空间离群点,克服了已有的算法对用户依赖大的特点,实现了无参的封闭运算,为无线传感器网络决策剔除了异常数据。
Description
技术领域
本发明属于离群点挖掘领域,尤其涉及一种农田无线传感器网络数据的自适应无参空间离群点检测算法。
背景技术
无线传感器网络采集到的环境数据因其自身硬件和软件的限制,以及环境因素的影响,极易产生异常值。而依据环境监测数据做出相应决策是精细农业的基本操作。因此,剔除网络异常数据对农业环境监测至关重要。
分布在监测区域内的传感器节点对环境参数进行周期性的采集,并发送到监测平台上。决策者相隔一定的时间根据平台上的数据做出决策,为了避免离群点对决策带来的影响,每次决策前都需要对数据进行离群点检测。
现有的空间离群点检测算法对用户依赖性大,如SLOM算法与SLOF算法,需要人工设定空间邻居的判定条件和离群点个数。但在无线传感器网络中,随着时间的推移,网络得到的数据特性是动态变化的,因此很难人工设定适用于长期离群点检测的阈值;同时,无线传感器网络的一些节点会出现故障,也会加入一些新的节点,因此整个网络的空间关系也会改变,此外,在每次的离群点检测中,离群点个数不能提前获知。因此,已有的算法不适用于无线传感器网络数据的离群点检测,另外已有算法的空间离群度量方式存在误检和漏检率高的问题。
发明内容
为了解决上述问题,本发明提出了一种自适应无参空间离群点检测算法,其特征在于,所述算法的具体步骤为
步骤1、通过基于全局稳定的最近邻确定算法计算出最终最近邻居个数fk,求出每个对象空间上最近的fk个点作为空间邻域;得到fk后,距对象o空间最近的fk个点即为o的空间邻居,o的所有空间邻居组成它的空间邻域NH(o);
步骤2、计算每个对象的空间离群度;
步骤3、对该数据集的非空间维度属性进行离群点检测;
步骤4、针对是否存在非空间维度属性局部离群点的两种情况,设置临界离群点;
步骤5、计算判定空间离群点的门限值;
步骤6、将SLOV大于门限的点作为潜在空间离群点;
步骤7、进行空间离群点判别。
所述步骤1中基于全局稳定的最近邻确定算法的步骤为:
步骤101、设定最近邻居数k的初始值为1;
步骤102、计算每个对象的空间相邻对象个数nk;
步骤103、计算k最近邻居下没有空间相邻对象的点的个数nz;
步骤104、当nz不为0时,令k=k+1,返回步骤102,否则转到步骤105;
步骤105、当nz=0时,此时的k即为最终最近邻居个数fk。
所述步骤2中计算每个对象的空间离群度采用计算空间局部离群值SLOV的方法,空间局部离群值
其中,对象o的空间邻居平均间距a和b表示对象o的任意邻域对象,对象o的邻域距离被检测的数据集为O,对于oi∈O,oj∈O,对象oi与oj的非空间属性的欧氏距离f(oik)表示对象oi第k维度标准化的非空间属性,f(ojk)表示对象oj第k维度标准化的非空间属性,d表示维数,同理求得对象a与b的非空间属性的欧氏距离和对象a与o的非空间属性的欧氏距离ε代表一个无穷小的数。
所述步骤3中对该数据集的非空间维度属性进行离群点检测的方法为采用基于自然最近邻居搜索算法的聚类算法,该聚类算法自动确定聚类近邻个数k1,通过确定自然最近邻对数进行聚类,没有自然邻居的点被视为局部离群点。
所述步骤4中所述找出临界离群点的具体过程为
情况一:存在局部离群点
(1)根据聚类算法得到最近邻个数k1,计算每个离群点的k1近邻离群度,找出k1近邻离群度最小的离群点作为基准离群点;
(2)找到距离基准离群点最近的正常点作为基准正常点,基准正常点所在的类的所有对象为基准簇,基准簇中的对象间除0外的最小距离为d1;
(3)计算基准离群点和基准正常点之间每个维度的中值,作为待测值;
(4)将待测值与基准簇进行近邻数为k1的聚类,若基准簇被聚成一类且待测值被认定为离群值,则将基准离群点更新为待测值,否则将基准正常点更新为待测值;
(5)计算更新后的基准正常点与基准离群点之间的距离d2,若d2>d1,则返回步骤(3),否则执行步骤(6);
(6)算法结束,将此时得到的基准离群点值作为临界离群点;
情况二:不存在局部离群点
人为设定临界离群点,具体步骤为
(1)找到非空间属性值在每一维度上是最大值或最小值的对象,看做是簇的边缘;
(2)得到聚类算法过程中的最近邻个数k1;
(3)计算这些对象的k1近邻离群度,将k1近邻离群度最小的对象作为基准对像,基准对象所在的类的所有对象作为基准簇;新设置一个点q,该点的属性与基准对象的非空间属性相同,将点q作为待测对象,将它的d维度属性表示为f(qd);
(4)计算基准簇的簇心,判断基准对象每一维非空间属性与簇心的位置关系;
(5)计算非空间属性每一维度上对象距离除0外的最小值,共d维;
(6)将待测对象非空间i维度属性值f(qi)更新为f(qi)+bi,bi为第i维度上对象距离除0外的最小值,得到新的待测对象的第i维属性值为:f(qi+(-1)mbi);
其中,当基准点的第i维属性值比簇心大,则指数m=2;当基准点的第i维属性值比簇心小,则指数m=1;保证了待测值与簇心的距离比基准点远,从而构造出离群点;
(7)用k1近邻聚类算法对基准簇和待测对象进行聚类,若基准簇被聚为一类且待测对象被判定为离群点,执行步骤(8),否则返回执行步骤(6);
(8)算法结束,将此时得到的待测对象作为临界离群点。
所述步骤5中所述计算判定空间离群点的门限值具体为计算临界离群点的k1近邻离群度k1nlof作为空间离群点判定的门限threshold。
所述步骤7中所述空间离群点判别过程为:
(1)找到SLOV值最大的潜在离群点作为空间离群点,把它作为空间离群点,将它的非空间属性值更新为邻域非空间属性的均值;
(2)找到邻域中包括空间里群点的对象,重新计算这些对象的空间离群度;
(3)将除了空间离群点的其它对象的空间离群度重新判别,找出新的潜在离群点;
(4)若新的潜在离群点个数不为0,则重复步骤(1)、(2)、(3),否则算法结束,输出所有空间离群点。
所述空间和对象的概念指的是无线传感器网络的节点。
有益效果
针对现有技术的不足,本发明的算法提出一种新的空间离群度量方法,提高了检测精度,并根据数据特性自适应确定离群点检测门限和对象的空间邻域,不需要用户给定空间离群点个数和空间邻域个数就能自主检测出空间离群点,克服了已有的算法对用户依赖大的特点,实现了无参的封闭运算,为无线传感器网络决策剔除了异常数据。
附图说明
图1为本发明的一种自适应无参空间离群点检测算法的流程图。
具体实施方式
下面结合附图,对本发明作详细说明。图1为本发明的一种自适应无参空间离群点检测算法的流程图。本发明算法的具体步骤为:
步骤1、通过基于全局稳定的最近邻确定算法计算出最终最近邻居个数fk,求出每个对象空间上最近的fk个点作为空间邻域;得到fk后,距对象o空间最近的fk个点即为o的空间邻居,o的所有空间邻居组成它的空间邻域NH(o);
步骤2、计算每个对象的空间离群度;
步骤3、对该数据集的非空间维度属性进行离群点检测;
步骤4、针对是否存在非空间维度属性局部离群点的两种情况,设置临界离群点;
步骤5、计算判定空间离群点的门限值;
步骤6、将SLOV大于门限的点作为潜在空间离群点;
步骤7、进行空间离群点判别。
所述步骤1中基于全局稳定的最近邻确定算法的步骤为:
步骤101、设定最近邻居数k的初始值为1;
步骤102、计算每个对象的空间相邻对象个数nk;
步骤103、计算k最近邻居下没有空间相邻对象的点的个数nz;
步骤104、当nz不为0时,令k=k+1,返回步骤102,否则转到步骤105;
步骤105、当nz=0时,此时的k即为最终最近邻居个数fk。
所述步骤2中计算每个对象的空间离群度采用计算空间局部离群值SLOV的方法,空间局部离群值
其中,对象o的空间邻居平均间距a和b表示对象o的任意邻域对象,对象o的邻域距离被检测的数据集为O,对于oi∈O,oj∈O,对象oi与oj的非空间属性的欧氏距离f(oik)表示对象oi第k维度标准化的非空间属性,
f(ojk)表示对象oj第k维度标准化的非空间属性,d表示维数,同理求得对象a与b的非空间属性的欧氏距离和对象a与o的非空间属性的欧氏距离ε代表一个无穷小的数。
所述步骤3中对该数据集的非空间维度属性进行离群点检测的方法为采用基于自然最近邻居搜索算法的聚类算法,该聚类算法自动确定聚类近邻个数k1,通过确定自然最近邻对数进行聚类,没有自然邻居的点被视为局部离群点。
所述步骤4中所述找出临界离群点的具体过程为
情况一:存在局部离群点
(1)根据聚类算法得到最近邻个数k1,计算每个离群点的k1近邻离群度,找出k1近邻离群度最小的离群点作为基准离群点;
(2)找到距离基准离群点最近的正常点作为基准正常点,基准正常点所在的类的所有对象为基准簇,基准簇中的对象间除0外的最小距离为d1;
(3)计算基准离群点和基准正常点之间每个维度的中值,作为待测值;
(4)将待测值与基准簇进行近邻数为k1的聚类,若基准簇被聚成一类且待测值被认定为离群值,则将基准离群点更新为待测值,否则将基准正常点更新为待测值;
(5)计算更新后的基准正常点与基准离群点之间的距离d2,若d2>d1,则返回步骤(3),否则执行步骤(6);
(6)算法结束,将此时得到的基准离群点值作为临界离群点;
情况二:不存在局部离群点
人为设定临界离群点,具体步骤为
(1)找到非空间属性值在每一维度上是最大值或最小值的对象,看做是簇的边缘;
(2)得到聚类算法过程中的最近邻个数k1;
(3)计算这些对象的k1近邻离群度,将k1近邻离群度最小的对象作为基准对像,基准对象所在的类的所有对象作为基准簇;新设置一个点q,该点的属性与基准对象的非空间属性相同,将点q作为待测对象,将它的d维度属性表示为f(qd);
(4)计算基准簇的簇心,判断基准对象每一维非空间属性与簇心的位置关系;
(5)计算非空间属性每一维度上对象距离除0外的最小值,共d维;
(6)将待测对象非空间i维度属性值f(qi)更新为f(qi)+bi,bi为第i维度上对象距离除0外的最小值,得到新的待测对象的第i维属性值为:f(qi+(-1)mbi);
其中,当基准点的第i维属性值比簇心大,则指数m=2;当基准点的第i维属性值比簇心小,则指数m=1;保证了待测值与簇心的距离比基准点远,从而构造出离群点;
(7)用k1近邻聚类算法对基准簇和待测对象进行聚类,若基准簇被聚为一类且待测对象被判定为离群点,执行步骤(8),否则返回执行步骤(6);
(8)算法结束,将此时得到的待测对象作为临界离群点。
所述步骤5中所述计算判定空间离群点的门限值具体为计算临界离群点的k1近邻离群度k1nlof作为空间离群点判定的门限threshold。
所述步骤7中所述空间离群点判别过程为:
(1)找到SLOV值最大的潜在离群点作为空间离群点,把它作为空间离群点,将它的非空间属性值更新为邻域非空间属性的均值;
(2)找到邻域中包括空间里群点的对象,重新计算这些对象的空间离群度;
(3)将除了空间离群点的其它对象的空间离群度重新判别,找出新的潜在离群点;
(4)若新的潜在离群点个数不为0,则重复步骤(1)、(2)、(3),否则算法结束,输出所有空间离群点。
对某月2日与28日9点的英特尔伯克利实验室的传感器网络数据进行空间离群点检测,步骤如下:
1、通过基于全局稳定的最近邻确定算法计算出的空间邻居数为4,求出每个对象空间上最近的4个点作为空间邻域。
2、计算每个对象的空间离群值SLOV。
3、对该数据集的非空间维度属性进行离群点检测,得到一个离群点,该点即基准离群点。
找到非空间属性距该离群点最近的正常点,为基准正常点,该正常点所在的簇为基准簇。
4、由于得到了局部离群点,因此采用上文提到的不断采中值法找到临界离群点。
5、计算临界离群点的k1近邻离群度作为门限。
6、将SLOV大于门限的点作为潜在离群点。
7、找到SLOV值最大的潜在离群点作为空间离群点,重新计算邻域中包含该点的对象的SLOV值。重新寻找潜在离群点,直到找到所有空间里群点。
Claims (8)
1.一种自适应无参空间离群点检测算法,其特征在于,所述算法的具体步骤为
步骤1、通过基于全局稳定的最近邻确定算法计算出最终最近邻居个数fk,求出数据集O中每个对象空间上最近的fk个点作为空间邻域;得到fk后,距对象o空间最近的fk个点即为o的空间邻居,o的所有空间邻居组成它的空间邻域NH(o);
步骤2、计算每个对象的空间离群度;
步骤3、对该数据集的非空间维度属性进行离群点检测;
步骤4、针对是否存在非空间维度属性局部离群点的两种情况,设置临界离群点;
步骤5、计算判定空间离群点的门限值;
步骤6、将空间局部离群值SLOV大于门限的点作为潜在空间离群点;
步骤7、进行空间离群点判别。
2.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述步骤1中基于全局稳定的最近邻确定算法的步骤为:
步骤101、设定最近邻居数k的初始值为1;
步骤102、计算每个对象的空间相邻对象个数nk;
步骤103、计算k最近邻居下没有空间相邻对象的点的个数nz;
步骤104、当nz不为0时,令k=k+1,返回步骤102,否则转到步骤105;
步骤105、当nz=0时,此时的k即为最终最近邻居个数fk。
3.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述步骤2中计算每个对象的空间离群度采用计算空间局部离群值SLOV的方法,空间局部离群值
其中,对象o的空间邻居平均间距a和b表示对象o的任意邻域对象,对象o的邻域距离对于oi∈O,oj∈O,对象oi与oj的非空间属性的欧氏距离 f(oik)表示对象oi第k维度标准化的非空间属性,f(ojk)表示对象oj第k维度标准化的非空间属性,d表示维数,同理求得对象a与b的非空间属性的欧氏距离和对象a与o的非空间属性的欧氏距离ε代表一个无穷小的数。
4.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述步骤3中对该数据集的非空间维度属性进行离群点检测的方法为采用基于自然最近邻居搜索算法的聚类算法,该聚类算法自动确定聚类近邻个数k1,通过确定自然最近邻对数进行聚类,没有自然邻居的点被视为局部离群点。
5.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述步骤4中所述找出临界离群点的具体过程为
情况一:存在局部离群点
(1)根据聚类算法得到最近邻个数k1,计算每个离群点的k1近邻离群度,找出k1近邻离群度最小的离群点作为基准离群点;
(2)找到距离基准离群点最近的正常点作为基准正常点,基准正常点所在的类的所有对象为基准簇,基准簇中的对象间除0外的最小距离为d1;
(3)计算基准离群点和基准正常点之间每个维度的中值,作为待测值;
(4)将待测值与基准簇进行近邻数为k1的聚类,若基准簇被聚成一类且待测值被认定为离群值,则将基准离群点更新为待测值,否则将基准正常点更新为待测值;
(5)计算更新后的基准正常点与基准离群点之间的距离d2,若d2>d1,则返回步骤(3),否则执行步骤(6);
(6)算法结束,将此时得到的基准离群点值作为临界离群点;
情况二:不存在局部离群点
人为设定临界离群点,具体步骤为
(1)找到非空间属性值在每一维度上是最大值或最小值的对象,看做是簇的边缘;
(2)得到聚类算法过程中的最近邻个数k1;
(3)计算这些对象的k1近邻离群度,将k1近邻离群度最小的对象作为基准对像,基准对象所在的类的所有对象作为基准簇;新设置一个点q,该点的属性与基准对象的非空间属性相同,将点q作为待测对象,将它的d维度属性表示为f(qd);
(4)计算基准簇的簇心,判断基准对象每一维非空间属性与簇心的位置关系;
(5)计算非空间属性每一维度上对象距离除0外的最小值,共d维;
(6)将待测对象非空间i维度属性值f(qi)更新为f(qi)+bi,bi为第i维度上对象距离除0外的最小值,得到新的待测对象的第i维属性值为:f(qi+(-1)mbi);
其中,当基准点的第i维属性值比簇心大,则指数m=2;当基准点的第i维属性值比簇心小,则指数m=1;保证了待测值与簇心的距离比基准点远,从而构造出离群点;
(7)用k1近邻聚类算法对基准簇和待测对象进行聚类,若基准簇被聚为一类且待测对象被判定为离群点,执行步骤(8),否则返回执行步骤(6);
(8)算法结束,将此时得到的待测对象作为临界离群点。
6.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述步骤5中所述计算判定空间离群点的门限值具体为计算临界离群点的k1近邻离群度k1nlof作为空间离群点判定的门限threshold。
7.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述步骤7中所述空间离群点判别过程为:
(1)找到SLOV值最大的潜在离群点作为空间离群点,把它作为空间离群点,将它的非空间属性值更新为邻域非空间属性的均值;
(2)找到邻域中包括空间里群点的对象,重新计算这些对象的空间离群度;
(3)将除了空间离群点的其它对象的空间离群度重新判别,找出新的潜在离群点;
(4)若新的潜在离群点个数不为0,则重复步骤(1)、(2)、(3),否则算法结束,输出所有空间离群点。
8.根据权利要求1所述的一种自适应无参空间离群点检测算法,其特征在于,所述空间和对象的概念指的是无线传感器网络的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610178994.5A CN105844102B (zh) | 2016-03-25 | 2016-03-25 | 一种自适应无参空间离群点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610178994.5A CN105844102B (zh) | 2016-03-25 | 2016-03-25 | 一种自适应无参空间离群点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844102A true CN105844102A (zh) | 2016-08-10 |
CN105844102B CN105844102B (zh) | 2018-05-08 |
Family
ID=56583844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610178994.5A Expired - Fee Related CN105844102B (zh) | 2016-03-25 | 2016-03-25 | 一种自适应无参空间离群点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844102B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815348A (zh) * | 2017-01-18 | 2017-06-09 | 安徽师范大学 | 一种隐私保护空间离群点检测方法 |
CN106845523A (zh) * | 2016-12-27 | 2017-06-13 | 合肥城市云数据中心股份有限公司 | 一种将地理数据与传感器信号数据相融合的数据处理方法 |
CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108108253A (zh) * | 2017-12-26 | 2018-06-01 | 北京航空航天大学 | 一种面向多数据流的异常状态检测方法 |
CN108960298A (zh) * | 2018-06-15 | 2018-12-07 | 重庆大学 | 基于密度核心和动态扫描半径的体检报告聚类方法 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
CN113158871A (zh) * | 2021-04-15 | 2021-07-23 | 重庆大学 | 一种基于密度核心的无线信号强度异常检测方法 |
CN113239024A (zh) * | 2021-04-22 | 2021-08-10 | 辽宁工程技术大学 | 一种基于离群值检测的银行异常数据检测方法 |
CN117854279A (zh) * | 2024-01-09 | 2024-04-09 | 南京清正源信息技术有限公司 | 一种基于边缘计算的道路状况预测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004000113A1 (en) * | 2002-06-25 | 2003-12-31 | Sensys Medical, Inc. | Targeted interference subtraction applied to near-infrared measurement of analytes |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
US20120063679A1 (en) * | 2010-09-15 | 2012-03-15 | Foveon, Inc. | Method for detecting pixel outliers |
CN105117485A (zh) * | 2015-09-17 | 2015-12-02 | 深圳大学 | 一种基于k甚近邻的高准确率全局离群点检测算法 |
-
2016
- 2016-03-25 CN CN201610178994.5A patent/CN105844102B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004000113A1 (en) * | 2002-06-25 | 2003-12-31 | Sensys Medical, Inc. | Targeted interference subtraction applied to near-infrared measurement of analytes |
US20120063679A1 (en) * | 2010-09-15 | 2012-03-15 | Foveon, Inc. | Method for detecting pixel outliers |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN105117485A (zh) * | 2015-09-17 | 2015-12-02 | 深圳大学 | 一种基于k甚近邻的高准确率全局离群点检测算法 |
Non-Patent Citations (2)
Title |
---|
JINLONG HUANG 等: "《A non-parameter outlier detection algorithm based on Natural Neighbor》", 《KNOWLEDGE-BASED SYSTEMS》 * |
高红菊: "《基于改进K-means算法的WSN簇头结点数据融合》", 《农业机械学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845523B (zh) * | 2016-12-27 | 2019-08-23 | 合肥城市云数据中心股份有限公司 | 一种将地理数据与传感器信号数据相融合的数据处理方法 |
CN106845523A (zh) * | 2016-12-27 | 2017-06-13 | 合肥城市云数据中心股份有限公司 | 一种将地理数据与传感器信号数据相融合的数据处理方法 |
CN106815348B (zh) * | 2017-01-18 | 2020-11-24 | 安徽师范大学 | 一种隐私保护空间离群点检测方法 |
CN106815348A (zh) * | 2017-01-18 | 2017-06-09 | 安徽师范大学 | 一种隐私保护空间离群点检测方法 |
CN108108253A (zh) * | 2017-12-26 | 2018-06-01 | 北京航空航天大学 | 一种面向多数据流的异常状态检测方法 |
CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108038044B (zh) * | 2017-12-26 | 2021-01-08 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108960298A (zh) * | 2018-06-15 | 2018-12-07 | 重庆大学 | 基于密度核心和动态扫描半径的体检报告聚类方法 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
CN113158871A (zh) * | 2021-04-15 | 2021-07-23 | 重庆大学 | 一种基于密度核心的无线信号强度异常检测方法 |
CN113158871B (zh) * | 2021-04-15 | 2022-08-02 | 重庆大学 | 一种基于密度核心的无线信号强度异常检测方法 |
CN113239024A (zh) * | 2021-04-22 | 2021-08-10 | 辽宁工程技术大学 | 一种基于离群值检测的银行异常数据检测方法 |
CN113239024B (zh) * | 2021-04-22 | 2023-11-07 | 辽宁工程技术大学 | 一种基于离群值检测的银行异常数据检测方法 |
CN117854279A (zh) * | 2024-01-09 | 2024-04-09 | 南京清正源信息技术有限公司 | 一种基于边缘计算的道路状况预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105844102B (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844102A (zh) | 一种自适应无参空间离群点检测算法 | |
Amini et al. | MuDi-Stream: A multi density clustering algorithm for evolving data stream | |
CN110907762B (zh) | 一种非侵入式负荷匹配辨识方法 | |
Lei et al. | Identification of dynamic protein complexes based on fruit fly optimization algorithm | |
US7953577B2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
CN112884237A (zh) | 配电网预测辅助状态估计方法及*** | |
CN111046968B (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
CN107579846A (zh) | 一种云计算故障数据检测方法及*** | |
CN112085125A (zh) | 基于线性自学习网络的缺失值填补方法、存储介质及*** | |
Kamal et al. | Smart outlier detection of wireless sensor network | |
CN103533571A (zh) | 基于投票策略的容错事件检测方法 | |
CN112087316B (zh) | 基于异常数据分析的网络异常根源定位方法 | |
CN105117485A (zh) | 一种基于k甚近邻的高准确率全局离群点检测算法 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN110011847B (zh) | 一种传感云环境下的数据源质量评估方法 | |
CN118051800B (zh) | 基于云边协同的矿内监测数据智能处理方法 | |
CN115952067A (zh) | 一种数据库操作异常行为检测方法及可读存储介质 | |
CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及*** | |
Wu et al. | A statistical approach for target counting in sensor-based surveillance systems | |
Hai-Jun et al. | Fuzzy entropy clustering using possibilistic approach | |
Peng et al. | Uck-means: A customized k-means for clustering uncertain measurement data | |
CN114169590A (zh) | 一种基于多情景划分的水库入库径流预报校正方法和*** | |
CN116489602B (zh) | 一种分布式容错目标跟踪方法、***、设备及介质 | |
Xu et al. | An adaptive spatial outlier detection algorithm with no parameter for WSN | |
CN116233747B (zh) | 一种基于迁移学习更新指纹库的ble定位方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180508 Termination date: 20200325 |
|
CF01 | Termination of patent right due to non-payment of annual fee |