摘要：异常点检测(outlier detection)领域的大量研究都集中于一类“基于密度的”方法,这类方法能够克服许多传统异常点检测方法的缺陷,但仍大多使用基于几何距离的方式进行数据点局部密度的估计,导致在某些情况下反直观结果的出现。针对该问题,用一种基于邻域链的方法取代传统方法进行局部密度的估计,设计新的异常点检测方法。实验结果表明,对比经典的基于密度的异常点检测方法LOF(Local outlier factor)以及几种基于LOF的改进方法,所提出的方法能够更加准确地区分正常和异常数据点,避免反直观结果的出现。

摘要：多分类器系统是应对复杂模式识别问题的有效手段之一.当子分类器之间存在差异性或互补性时,多分类器系统往往能够获得比单分类器更高的分类正确率.因而差异性度量在多分类器系统设计中至关重要.目前已有的差异性度量方法虽能够在一定程度上刻画分类器之间的差异,但在应用中可能出现诸如"差异性淹没"等问题.本文提出了一种基于几何关系的多分类器差异性度量,并在此基础上提出了一种多分类器系统构造方法,同时通过实验对比了使用新差异性度量方法和传统方法对多分类器系统融合分类正确率的影响.结果表明,本文所提出的差异性度量能够很好地刻画分类器之间的差异,能从很大程度上抑制"差异性淹没"问题,并能有效应用于多分类器系统构造.