局部离群点挖掘算法研究

离群点可分为全局离群点和局部离群点.在很多情况下,局部离群点的挖掘比全局离群点的挖掘更有意义.现有的基于局部离群度的离群点挖掘算法存在检测精度依赖于用户给定的参数、计算复杂度高等局限.文中提出将对象属性分为固有属性和环境属性,用环境属性确定对象邻域、固有属性计算离群度的方法克服上述局限;并以空间数据为例,将空间属性与非空间属性分开,用空间属性确定空间邻域,用非空间属性计算空间离群度,设计了空间离群点挖掘算法.实验结果表明,所提算法具有对用户依赖性少、检测精度高、可伸缩性强和运算效率高的优点.

基于SLOF的海洋环境监测数据空间局部离群点挖掘研究

根据海洋环境监测数据的空间特性,提出了监测数据的空间离群点挖掘方法。利用监测站位经、纬度确定空间邻域并建立空间索引,应用空间局部离群系数SLOF(Spatial Local Outlier Factor)的度量方法,利用监测参数值确定空间站位的离群程度,找出与其空间邻域中其它站位的监测参数值存在明显差异的空间站位。研究结果表明,该方法能利用多维监测数据快速有效地挖掘空间局部离群点,为进一步检查出监测数据中的噪声,以及发现其它潜在有用的知识提供服务。

散乱点云近离群点识别算法

针对原始曲面变化度的局部离群系数(SVLOF)无法有效滤除三维实体的棱边或棱角处的离群点问题,提出了一种散乱点云近离群点的滤除算法。该算法首先将SVLOF定义在类k邻域上,并将SVLOF的定义内容进行了扩展,使其既能滤除平滑曲面上的离群点,又能滤除三维实体的棱边或棱角点处的离群点,同时仍然保留SVLOF原有的足够宽泛的阈值选取空间。仿真数据和实际数据的实验结果均表明,在效率基本保持不变的情况下,所提算法能比原始SVLOF算法更有效地检测出距离主体点云近的离群点。

散乱点云离群点的分类识别算法

散乱点云离群点识别和滤除是重建高质量曲面的前提,也是散乱点云预处理的重要步骤.提出一种散乱点云区域增长策略和一个基于曲面变化度的局部离群指标SVLOF,并将其应用到离群点识别中.通过分析离群点产生的原因,根据离群点到点云主体的距离将离群点分为远离群点和近离群点2类;对远离群点采用基于三维区域增长的方法进行识别,而对于近离群点采用SVLOF系数进行识别.基于仿真数据和实测数据的实验均表明,采用文中算法能够快速、有效地检测出孤立离群点和小型聚类离群点.

基于空间约束的离群点挖掘

由于现有的空间离群点检测算法没有很好地解决空间数据的自相关性和异质性约束问题,提出用计算邻域距离的方法解决空间自相关性约束问题,用计算空间局部离群系数的方法解决空间异质性约束问题。用离群系数表示对象的离群程度,并将离群系数按降序排列,取离群系数最大的前m个对象为离群点,据此提出基于空间约束的离群点挖掘算法。实验结果表明,所提算法比已有算法具有更高的检测精度、更低的用户依赖性和更高的效率。

点云测距误差与回光强度关系分析

通过构建K近邻来计算点云的基于曲面变化度的局部离群系数SVLOF,离群系数反应了点偏离主体点云的程度,可以确定近离群点。以某地铁隧道扫描数据为例,计算点云的离群系数和近邻点的平均回光强度值,然后比对近离群点的局部离群系数及其近邻点的平均回光强度值,从而揭示近离群点和回光强度之间的联系,即光强较弱会增大测距误差。计算结果显示,近离群点以及其近邻点的平均回光强度值低于整体点云,平均回光强度值越小,离群系数越大,即点越偏离近邻点拟合平面,测距误差越大。