基于距离阈值及样本加权的K-means聚类算法

提出了一种基于距离阈值及样本加权的K-means聚类算法.该算法首先采用样本集的样本均值作为第一个初始族中心;其次基于距离阈值的方法动态确定初始族中心及个数;最后基于样本加权的方法来降低离散点对聚类效果的影响,使带权值的样本点参与整个聚类过程,采用轮廓系数来衡量不同算法的聚类质量.实验结果表明:相比于原始的K-means聚类算法和文献[1]中算法,所提出的算法具有更好的聚类质量.

轨迹多因素异常集成检测

针对已有轨迹异常检测算法无法有效处理轨迹多因素特征的问题,提出一种轨迹多因素异常检测集成算法TRODEM。采用集成分析技术,利用一种新颖的数据为中心的集成框架对轨迹数据多因素特征进行集成;对轨迹多因素特征分别进行检测,为每种特征检测的结果赋予一个用于集成的异常分值;利用组合函数对这些分值进行集成,得到一个最终异常分值,以此分值进行最终异常检测。在集成过程中,采用带有权值的累积方法克服可能存在的集成结果对某种因素过分依赖的缺点。实验结果表明了TRODEM算法的有效性和鲁棒性。