模糊意见集中决策在水系沉积物测量异常排序中的应用

传统的地球化学异常评序方法,通常依据化探异常的"高、大、全",但实践证明,没有结合成矿地质条件进行排序的异常,不能更好地反映出成矿远景的大小,也就不能更好地进行异常查证工作。为此,这里把异常规模、元素组合特征以及成矿地质条件作为评价异常最重要的三个参数,使用模糊意见集中决策对研究区的异常作出排序。经野外异常查证工作证实,该方法能更好地指导异常查证工作。

海量信息异常检测问题的异常概率排序算法

针对异常检测算法速度慢、精度低、稳定性差等问题,提出了一种通过异常概率排序提取异常点的算法(OAP).由于异常点相对正常点更容易通过对数据空间的均匀分割而孤立出来,所以OAP通过数据点在均匀N叉分割树中的孤立深度估算异常概率的大小,从而得到异常概率的排序,最终构造由k个异常概率最大的点组成的列表,列表中的数据就是所求的异常点.OAP不需要距离或密度的计算,复杂度被降到O(n)级.实验结果表明,对于规模线性增加的海量实验数据集,OAP消耗的CPU时间也线性增加;相对iForest算法,其速度提高了30倍,精度提高了20%～30%,且同一数据集上的多次实验结果一致,稳定性高.

地质复杂度特征统计在地球化学综合异常评序中的初步尝试

河北省兴隆县一带成矿潜力十分巨大,以往工作程度较高。本文以经验模型法为指导,利用1:5万区域地质图对地质复杂度特征进行量化统计,然后通过收集区内矿产资源特征,建立已知矿点经验模型,在1:5万地球化学测量项目综合异常的排序工作中进行了初步尝试。

基于双流网络与多示例学习的异常事件检测

面对当前复杂场景下异常事件检测算法过度依赖帧级别标记,以及I3D模型耗时长、内存占用大等问题,设计了一种基于I3D的M-I3D模型并将其作为特征提取器,提出一种了基于深度时空特征和多示例学习的异常检测方法。所提方法将正常视频和异常视频作为包,并将视频片段作为多示例学习中的示例。利用M-I3D模型提取每个视频片段的特征,并将提取到的特征向量输入到三层全连接层中,进而自动学习一个深度异常排序模型,该模型可以预测异常视频片段的分数。此外,为了在训练过程中较好地定位异常,在排序损失函数中引入稀疏函数和约束性函数。结果表明,与其他方法相比,所提算法在UCF-Crime数据集上具有更高的准确率和更好的实时性。