基于混合近邻局部分布差异的离群点检测算法

离群点检测作为数据挖掘领域的重要任务,其目的是从表示事件或对象行为的数据中找出不一致数据。目前大部分传统的无监督离群点检测算法,如基于距离或密度的方法,识别多维度空间离群数据时都存在因维度诅咒导致检测精度衰退的问题。论文提出了基于混合近邻的离群点检测算法,该算法以数据项的混合近邻作为新的局部影响空间,以双向共享近邻和欧式距离重新定义了数据项的相似度计算方式,通过对比数据项与其局部影响空间中样本的平均局部分布差异衡量数据的局部离群程度,从而识别离群点。在合成和真实数据集上和其他同类算法的对比实验结果证明,该算法在离群点检测方面具有一定的提高。

基于SFA-LOF-LDD的航空发动机异常检测方法研究

航空发动机异常检测对于准确了解飞机健康状态、支持维修决策、保障飞行安全具有重要意义。针对航空发动机气路部件的长期退化行为,提出一种基于慢特征分析和局部离群因子的动态阈值异常检测方法。首先,充分利用慢特征分析的优势提取气路参数随时间缓慢退化的有效特征。然后,计算特征空间样本的局部离群因子来构造监控统计量,定量表征发动机的健康状态。考虑固定阈值对气路状态时变特性的适应性差,利用基于局部分布差异的自适应窗口调整策略,设置动态阈值有效降低气路参数微小波动导致的虚假报警。最后,通过航空发动机实际运行数据进行验证,结果表明:所提方法能提前识别异常点,并且有效降低假警的发生。