版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、近年來,隨著數(shù)據(jù)收集與存儲技術(shù)的提高,人們收集到的數(shù)據(jù)量呈指數(shù)速度增長,傳統(tǒng)的離群點檢測方法在處理大規(guī)模數(shù)據(jù)集時已開始表現(xiàn)出極大的局限性。大規(guī)模數(shù)據(jù)集具有數(shù)據(jù)數(shù)量大、類型繁多等特點,同時蘊藏著大量的信息或知識,而這些信息或知識只有被及時地從數(shù)據(jù)中檢測出來才有可能給人們帶來效益。因此,需要研究從大規(guī)模數(shù)據(jù)集中快速檢測離群點的新方法,為決策提供支持。
現(xiàn)有的從大規(guī)模數(shù)據(jù)集中檢測離群點的加速方法存在的主要局限是:(1)在進(jìn)行數(shù)據(jù)劃分
2、時大多沒有考慮數(shù)據(jù)之間的關(guān)聯(lián)性,致使每個數(shù)據(jù)最近鄰的確定涉及整個數(shù)據(jù)集;實際上,數(shù)據(jù)的最近鄰只存在于某個較小范圍內(nèi)。(2)在分布式檢測方法中,未能給出有效的終止規(guī)則和合理的數(shù)據(jù)傳遞模式,導(dǎo)致節(jié)點間的通信量大,降低了算法的總運行效率。
針對以上兩個問題,本文采用BIRCH(Balanced Iterative Reducing andClustering using Hierarchies,BIRCH)聚類方法對原始數(shù)據(jù)集進(jìn)行劃
3、分,并在此基礎(chǔ)上利用簇中所包含的統(tǒng)計概要信息計算簇與簇之間的距離,再根據(jù)該距離給出縮小數(shù)據(jù)塊查找范圍的方法、數(shù)據(jù)塊處理的優(yōu)化方法、簇內(nèi)索引的構(gòu)建方法以及數(shù)據(jù)傳遞和數(shù)據(jù)處理順序的優(yōu)化策略。本文的主要工作如下:
(1)分析比較了幾種具有代表性的傳統(tǒng)離群點檢測方法;歸納總結(jié)了現(xiàn)有針對大規(guī)模數(shù)據(jù)集離群點檢測技術(shù)的現(xiàn)狀和發(fā)展趨勢。
(2)針對現(xiàn)有大規(guī)模數(shù)據(jù)集中檢測離群點的加速方法沒有將數(shù)據(jù)集進(jìn)行合理劃分導(dǎo)致離群點檢測過程計算量
4、大、磁盤I/O頻繁等問題,提出基于聚類劃分的離群點檢測算法。算法采用BIRCH聚類方法對數(shù)據(jù)集進(jìn)行劃分后,根據(jù)簇與簇之間的距離給出縮小數(shù)據(jù)塊查找范圍的方法和數(shù)據(jù)塊處理的優(yōu)化方法。縮小數(shù)據(jù)塊的查找范圍可以減少數(shù)據(jù)點之間的比較次數(shù)從而減少距離的計算量,優(yōu)化的數(shù)據(jù)塊處理方法可以減少磁盤I/O次數(shù),兩者相結(jié)合可有效提高算法的檢測效率。
(3)針對現(xiàn)有基于分布式的離群點檢測方法沒有對原始數(shù)據(jù)集進(jìn)行合理劃分,且未能給出合理的終止規(guī)則和有效
5、的數(shù)據(jù)傳遞模式的問題。本文提出一種基于聚類和索引的分布式離群點檢測算法(Distributed Outlier Detection based onClustering and Indexing,DODCI)。該算法既考慮了數(shù)據(jù)的劃分,又考慮了數(shù)據(jù)的處理順序以使后續(xù)剪枝過程的剪枝因子能在初始階段獲得一個較高的值,進(jìn)而提高剪枝效率。同時,算法在分布計算的過程中還結(jié)合了兩個優(yōu)化策略和兩條剪枝規(guī)則,以減少節(jié)點之間的通信消耗。
(4)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 面向大規(guī)模數(shù)據(jù)的離群點檢測算法研究及應(yīng)用.pdf
- 大規(guī)模數(shù)據(jù)集高效數(shù)據(jù)挖掘算法研究.pdf
- 大規(guī)模稀疏問題的內(nèi)點算法.pdf
- 大規(guī)模數(shù)據(jù)圖的壓縮算法及圖操作算法研究.pdf
- 面向大規(guī)模數(shù)據(jù)的單體分型算法研究.pdf
- 大規(guī)模數(shù)據(jù)庫關(guān)聯(lián)規(guī)則挖掘算法研究.pdf
- 面向大規(guī)模數(shù)據(jù)的聚類算法研究及應(yīng)用.pdf
- 大規(guī)模數(shù)據(jù)挖掘聚類算法的研究與實現(xiàn).pdf
- 大規(guī)模數(shù)據(jù)圖的壓縮算法及圖操作算法研究
- 畢業(yè)設(shè)計---大規(guī)模數(shù)據(jù)驅(qū)動的陰影檢測
- 畢業(yè)設(shè)計---大規(guī)模數(shù)據(jù)驅(qū)動的陰影檢測
- 大規(guī)模數(shù)據(jù)驅(qū)動的陰影檢測畢業(yè)設(shè)計論文
- 基于劃分方法的大規(guī)模數(shù)據(jù)高效聚類算法的研究.pdf
- 大規(guī)模數(shù)據(jù)聚類分析方法研究.pdf
- 基于大規(guī)模數(shù)據(jù)集的知識適配研究.pdf
- 基于支持向量機的多屬性大規(guī)模數(shù)據(jù)分類算法的研究.pdf
- 面向大規(guī)模數(shù)據(jù)集的相關(guān)向量機分類算法研究與應(yīng)用.pdf
- 面向大規(guī)模數(shù)據(jù)集的自適應(yīng)聚類算法并行化研究.pdf
- 大型數(shù)據(jù)集中離群數(shù)據(jù)挖掘算法研究及應(yīng)用.pdf
- 面向大規(guī)模數(shù)據(jù)的多視角K-means聚類算法的研究.pdf
評論
0/150
提交評論