基于人工蜂群智能技术的属性异常点检测

发布时间：2018-04-12 00:13

  本文选题：属性异常点 + 人工蜂群算法　； 参考：《计算机科学与探索》2017年12期

【摘要】：为了解决数据库属性异常点检测方法时间复杂度大并且查准率和查全率不高的问题,提出了新的基于人工蜂群优化技术(artificial bee colony,ABC)和O-measure度量(一种评估属性异常点的度量)相结合的属性异常点检测方法,模拟人工蜂群随机搜索较优的食物源能力发现属性异常点。针对群体智能算法检测属性异常点会陷入局部收敛的缺陷,提出使用模拟退火技术让人工蜂群跳出局部最优解而找到全局最优解的算法。该算法通过蜂群在二维数据平面上搜索食物源,计算所经过路径上的数据项O-measure适应度,从中寻找最优解(即属性异常点)。实验结果表明,所提算法较之前的算法耗时短,且提高了检测的准确率和查全率。
[Abstract]:In order to solve the problem of high time complexity and low precision and recall rate of database attribute anomaly detection method,A new method based on artificial bee colony optimization technique (artificial bee colony) and O-measure metric (a measure for evaluating attribute outliers) is proposed to detect attribute outliers.In order to solve the problem that swarm intelligence algorithm can detect the abnormal points of attributes and fall into local convergence, an algorithm is proposed to find the global optimal solution by using simulated annealing technology to make artificial beehives jump out of the local optimal solution and find the global optimal solution.In this algorithm, the food source is searched on the two-dimensional data plane by the bee colony, and the O-measure fitness of the data item on the path is calculated, from which the optimal solution (attribute anomaly point) is found.The experimental results show that the proposed algorithm takes less time and improves the detection accuracy and recall.
【作者单位】： 暨南大学信息科学技术学院;
【基金】：国家自然科学基金No.U1431227 广州市科技计划基金No.201604010037~~
【分类号】：TP18;TP311.13

【相似文献】

相关期刊论文 前10条

1 陶运信;皮德常;;屏蔽输入参数敏感的异常点检测新方法[J];计算机科学;2008年12期

2 陶运信;皮德常;;基于邻域和密度的异常点检测算法[J];吉林大学学报(信息科学版);2008年04期

3 张春生;李艳;王海珍;张世铮;;基于纵横距离的单纯异常点检测算法及应用[J];内蒙古民族大学学报(自然科学版);2009年04期

4 颜庆茁;Java的异常设计原则[J];集美大学学报(自然科学版);2004年02期

5 王洪春;彭宏;;一种基于主成分分析的异常点挖掘方法[J];计算机科学;2007年10期

6 刘洪涛;童德利;陈世福;;一种基于属性的异常点检测算法[J];计算机科学;2005年05期

7 陆介平;倪巍伟;孙志挥;;基于关联分析的高维空间异常点发现[J];应用科学学报;2006年01期

8 苏卫星;朱云龙;刘芳;胡琨元;;时间序列异常点及突变点的检测算法[J];计算机研究与发展;2014年04期

9 卢鸣;;基于异常点处理和自劈分合并学习的聚类方法[J];福建电脑;2008年12期

10 王元明;熊伟;;异常数据的检测方法[J];重庆工学院学报(自然科学版);2009年02期

相关会议论文 前5条

1 张维;刘博;张小涛;;日内金融高频数据的异常点检测[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年

2 刘晓艳;王丽珍;杨志强;陈红梅;;基于数学形态学的模糊异常点检测[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

3 王倩;刘奕群;马少平;茹立云;;面向用户互联网访问日志的异常点击分析[A];第五届全国信息检索学术会议论文集[C];2009年

4 王丽珍;周丽华;肖清;;基于数据仓库的动态异常点检测研究[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

5 张重生;冯海军;陈红;梁思维;李翠平;;一种分布式数据集上top-n异常点挖掘的高效算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

相关硕士学位论文 前7条

1 何欢;基于概念漂移的异常检测技术研究[D];电子科技大学;2015年

2 沈琰辉;基于邻域离散度和隔离树的异常点检测算法研究[D];浙江师范大学;2016年

3 赵伯夷;基于神经网络的异常点挖掘[D];河北大学;2011年

4 曹忠虔;时间序列异常检测的研究[D];电子科技大学;2012年

5 杨金伟;基于距离和信息熵的不确定异常点检测研究[D];云南大学;2011年

6 张洋;一种基于热计量数据的异常点挖掘算法研究[D];燕山大学;2012年

7 张晓;教师评价中基于聚类算法的异常点分析的研究[D];东北师范大学;2009年

，

本文编号：1738301