基于Voronoi图的异常检测算法

异常检测是数据挖掘的一个重要组成部分,其中基于密度的方法LOF是目前常用的主要方法。然而LOF方法进行检测时需要设定参数k和MinPts,检测结果对参数非常敏感,容易造成检测错误。该文提出了一种基于Voronoi图的异常检测算法VOD,采用Voronoi图来确定对象间的邻近关系,解决了基于密度方法存在的问题,算法的时间复杂性从O(N2)降低到O(NlogN)。

一种带有维度抽取的Pareto协同进化算法

保证评价的可靠性和有效性是协同进化算法面临的主要挑战.近期研究显示协同进化问题域内隐含存在着一个维度系统,决定了问题解的完整评价指标.分析了维度结构表现出的个体间特征收益关系,提出了一种在线维度抽取方法,并将其集成到协同进化算法中,在进化过程中,同步抽取问题的维度,建立维度系统,为个体提供准确评价,并指导选择和保优操作,以此确保进化稳定进展.抽象问题上的实验结果验证了本算法的可行性,并表明本算法在性能和维度抽取的准确性上均高于现存同类算法.

一种基于Voronoi图的高效异常检测方法

提出了一种新的基于Voronoi图的异常检测方法。采用Voronoi图来确定对象间的邻近关系,定义了一种新的异常因子,算法的时间复杂性为O(nlogn)。实验结果表明,同现有的算法相比具有较高的检测效率和准确性。

一种基于维度识别的协同进化算法

为了探索如何在协同进化算法中结合问题域固有的结构信息,实施全局稳定进展,本文首先分析问题维度所体现的个体间收益特征,提出一种维度识别方法.在此基础上,设计并实现一个协同进化算法.它能在进化过程中通过个体间的交互收益自动鉴别问题维度,并保存每个维度上当前已搜索到的最高测试值,以此作为评价基准控制进化在所有维度上均单调进展.配套设计的结构文档不仅有效支持维度鉴别,准确提供当前全局最高进展信息,而且存档量能达到最小化来保证算法的有效实施.模拟实验证实了该算法的可行性,并显示该算法较其它同类算法具有更高的性能和效率.