基于群体智能的离群数据挖掘

doi:10.3778/j.issn.1002-8331.2008.23.047

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (23): 154-156.DOI: 10.3778/j.issn.1002-8331.2008.23.047

• 数据库、信号与信息处理 • 上一篇下一篇

基于群体智能的离群数据挖掘

张然^1,2,贾瑞玉¹,钱光超¹

1.安徽大学计算机科学与技术学院，合肥 230039
2.铜陵学院计算机系，安徽铜陵 244000

收稿日期:2007-10-16 修回日期:2007-12-28 出版日期:2008-08-11 发布日期:2008-08-11
通讯作者: 张然

Outlier mining based on swarm intelligence

ZHANG Ran^1,2,JIA Rui-yu¹,QIAN Guang-chao¹

1.School of Computer Science and Technology，Anhui University，Hefei 230039，China
2.Department of Computer，Tongling College，Tongling，Anhui 244000，China

Received:2007-10-16 Revised:2007-12-28 Online:2008-08-11 Published:2008-08-11
Contact: ZHANG Ran

摘要/Abstract

摘要： 离群数据挖掘是数据挖掘的重要任务之一。首先分析了离群数据及其挖掘方法，然后根据LF算法和CSI算法，提出了基于群体智能的离群数据挖掘算法，并进行了仿真实验。实验结果显示了基于群体智能的离群数据挖掘算法的有效性。与其它方法相比，该算法避免了用户在设定参数初始值时给算法带来的影响，并且不需要设定初始聚类中心，因此具有更好的鲁棒性。

关键词: 离群数据挖掘, 群体智能, 聚类

Abstract: Outlier mining is an important task of data mining.This paper firstly analyzes outlier and outlier mining algorithms.Then according to LF algorithm and CSI algorithm，an outlier mining algorithm based on swarm intelligence is proposed，and an experiment is conducted.Results show that the validity of outlier mining algorithm based on swarm intelligence.Compared with the other algorithm，the algorithm in this paper has better robustness because it avoids the influence when users initialize the value of parameters，and do not need set original clustering centers.

Key words: outlier mining, swarm intelligence, clustering

张然^1,2,贾瑞玉¹,钱光超¹. 基于群体智能的离群数据挖掘[J]. 计算机工程与应用, 2008, 44(23): 154-156.

ZHANG Ran^1,2,JIA Rui-yu¹,QIAN Guang-chao¹. Outlier mining based on swarm intelligence[J]. Computer Engineering and Applications, 2008, 44(23): 154-156.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[8]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[9]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[10]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[15]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.

基于群体智能的离群数据挖掘

Outlier mining based on swarm intelligence

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics