摘要：针对异常离群点对k-means‖算法的聚类精确度影响较大且在确定中心点过程中会泄露聚类数据隐私的问题,提出DPk-means‖算法。标记离群点,降低离群点对k-means‖算法聚类精确度的影响,将差分隐私应用于k-means‖聚类算法中保护聚类数据隐私。在选择聚类初始中心点和迭代求取均值中心点的过程中,应用拉普拉斯机制注入噪声,解决数据隐私泄露的问题。通过隐私预算动态变化对聚类结果准确性的影响及同类算法对比实验分析验证,DPk-means‖算法能够提供更高的隐私保护水平且保证聚类结果的准确性。

摘要：目前方面级情感分析任务存在类别标签不平衡的问题,会导致模型过多学习非方面词标签,影响模型的性能。基于BERT端到端方面级情感分类模型,针对其类别标签不平衡的问题进行深入研究,提出使用梯度均衡机制缓解类别标签不平衡的问题,采用指数滑动平均的方法缓解潜在离群点样本对实验结果造成的影响,提升模型的性能。在4个标准数据集中进行实验,实验结果表明,所提方法在实验结果中(F1值)相比许多强基线方法有较为明显提升。

摘要：为有效解决网络广告中存在的点击欺诈问题,提出了一种基于Web挖掘算法的解决方案,并设计了一套点击欺诈检测模型。该模型通过对点击流进行时序分析、离群点挖掘、非线性分析等操作,能有效检测或屏蔽各类点击欺诈,有效屏蔽无意识的无效点击,并且在不影响广告展示速度的基础上显著提高检测点击欺诈的效率。实验结果表明,该解决方案可以有效检测采用手动或者利用计算机程序的方法模仿正常用户进行点击欺诈的行为,表明了模型的可行性和方案的有效性。

摘要：为减小离群点对点云配准精确度的影响,避免点云配准迭代计算过程中陷入局部最小值,基于鲁棒性准则函数点云配准框架提出泰勒级数准则函数鲁棒性点云配准算法.该方法分为泰勒级数准则函数的提出和配准初始值的确定2个方面.泰勒级数准则函数中,考虑各准则函数限制离群点影响来提高配准精确度的内因,对权值递减速率较合理的Cauchy准则函数进行泰勒级数展开,构造泰勒级数准则函数解决离群值问题;配准初始值的确定中,通过计算待匹配点云数据集的重心,根据重心信息确定平移向量,解决局部最小值问题.数值实验结果表明,泰勒级数准则函数配准误差较最小二乘法、Huber、Tukey和Cauchy准则函数更小,在配准精度上有了较大的提高,并且误差值稳定收敛;引入插值算法对点云数据进行处理,对后续的配准精度有一定的改善.

摘要：现有的基于密度的数据流聚类算法难于发现密度不同的簇,难于区分由若干数据对象桥接的簇和离群点.本文提出了一种基于共享最近邻密度的演化数据流聚类算法.在此算法中,基于共享最近邻图定义了共享最近邻密度,结合数据对象被类似的最近邻对象包围的程度和被其周围对象需要的程度这两个环境因素,使聚类结果不受密度变化的影响.定义了数据对象的平均距离和簇密度,以识别离群点和簇间的桥接.设计了滑动窗口模型下数据流更新算法,维护共享最近邻图中簇的更新.理论分析和实验结果验证了算法的聚类效果和聚类质量.

摘要：为提高诊断台区线损状态的诊断率,提出基于大数据挖掘技术的线损智能诊断模型设计。采集线损数据并计算得到线损率,根据线路的特征设置标准阈值,以时间离散度分析结合多次聚类分析检测出线损的异常状态;根据采集数据的波动率,构建离散度转换方程,得到线损离群点特征的欧氏距离近似度矩阵;利用大数据挖掘技术,提取出线损的离群点,利用关联分析法,构建线损智能诊断模型。实验结果表明,设计模型不仅可以提高线损诊断率,还可以诊断出用户的窃电行为。

摘要：针对现场采集时间序列数据中的离群点显著影响时变非线性工业过程在线模型性能这一问题,提出鲁棒的递推最小二乘支持向量机软测量建模方法.在模型训练阶段,采用支持向量聚类(SVC)排除离群点,建立有效的数据区域.将SVC用于递推过程前向学习阶段,并引入更有效的增删节点准则,在快速递推的前提下提高了模型的推广能力.将该方法应用于工业高炉过程铁水的硅质量分数预测,通过试验连续预测566炉高炉铁水硅质量分数,命中率高达81%,预测均方根误差为0.054 7,表明了较其他方法有更好的鲁棒性与精度.

摘要：为了准确、及时地对交通事故进行自动检测,提出一种基于尖点突变理论的交通事故离群挖掘算法。首先,考虑到基于尖点突变理论描述交通流变化规律的可行性和有效性,从系统论的观点出发,基于尖点突变理论建立城市道路交通流表征模型,能够客观全面地反映交通拥挤条件下符合交通实际工况的速度、流量之间的数值关系,为交通事故离群挖掘奠定模型基础。然后,根据聚类原理,设计基于城市道路交通流表征模型的离群事件挖掘算法,从而检测获得表征交通事故的离群点,完成交通事故检测。最后,仿真算例验证所提出的交通事故检测算法具有较高的准确性,能有效区分常规拥堵与交通事故。

摘要：基于有权重支持度框架的关联规则挖掘算法和超图分割算法,给出一种新的基于有权重超图模型的离群点检测算法WHOT(W eighted Hypergraph-based Outlier Test).WHOT算法根据有权重支持度的定义,重新设计了基于有权重支持度框架的关联规则挖掘算法,并挖掘出数据集中的重要关联规则,形成超图.在超图上应用超图分割算法,得到聚类集合,再结合项权重和事务权重的定义,判断一条记录是否为离群数据.

摘要：现有聚类算法面向高维稀疏数据时多数未考虑类簇可重叠和离群点的存在,导致聚类效果不理想。为此,提出一种可重叠子空间K-Means聚类算法。设计类簇子空间计算策略,在聚类过程中动态更新每个类簇的属性子空间,并定义合理的约束函数指导聚类过程,从而实现类簇的可重叠性与离群点的控制。在此基础上定义合理的目标函数对传统K-Means算法进行修正,利用熵权约束分别计算每个类簇中各维度的权重,使用权重值标识不同类簇中维度的相对重要性,并加入控制重叠程度和离群值数量的参数。在人工数据集和真实数据集上的实验结果表明,该算法在NMI、F1指标上均优于EWKM、NEO-K-Means、OKM等子空间聚类算法,具有更好的聚类结果。