基于k-近邻域中心偏移的鲁棒性异常检测算法

赵建龙¹, 曲桦^1,2, 赵季红^2,3

1. 西安交通大学 软件学院, 西安 710049;
2. 西安交通大学 电子与信息工程学院, 西安 710049;
3. 西安邮电大学 通信与信息工程学院, 西安 710061

收稿日期:2016-09-12出版日期:2017-08-28发布日期:2017-07-10

作者简介:赵建龙(1992-),男,博士生,E-mail:z.jl199235@stu.xjtu.edu.cn;曲桦(1961-),男,教授,博士生导师.
基金资助:国家自然科学基金项目（61371087和61531013）

Robust Outlier Detection Algorithm Based on k-Nearest Neighbor Region Center Migration

ZHAO Jian-long¹, QU Hua^1,2, ZHAO Ji-hong^2,3

1. School of Software Engineering, Xi'an Jiaotong University, Xi'an 710049, China;
2. School of Electronic and Information Engineering, Xi'an Jiaotong University, Xi'an 710049, China;
3. School of Communication and Information Engineering, Xi'an University of Posts and Telecommunications, Xi'an 710061, China

Received:2016-09-12Online:2017-08-28Published:2017-07-10

摘要/Abstract

摘要： 针对大多数基于距离和密度的异常检测算法敏感于近邻参数k的问题，提出了一种鲁棒性异常检测标准——k-近邻域中心偏移异常因子（COOF）.数据结点的k-近邻域中心位置会随着近邻参数k的变化而发生迁移，鉴于异常结点要比正常结点对k-近邻域中心位置偏移量的影响更大，通过累加因递增k而产生的偏移量来表征数据结点的异常程度，并在COOF基础上实现了鲁棒性的异常检测算法.通过综合数据和真实数据的实验仿真可知，COOF不仅对近邻参数k具有鲁棒性，而且相比基于距离的k最近邻算法、基于局部距离的异常因子和基于密度的局部异常因子具有更稳定且更准确的异常检测性能.
中图分类号:
TP393

引用本文

赵建龙, 曲桦, 赵季红. 基于k-近邻域中心偏移的鲁棒性异常检测算法[J]. 北京邮电大学学报, 2017, 40(4): 54-59.
ZHAO Jian-long, QU Hua, ZHAO Ji-hong. Robust Outlier Detection Algorithm Based on k-Nearest Neighbor Region Center Migration[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2017, 40(4): 54-59.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3038