基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
随着信息技术的快速发展, 数据资源的结构越来越复杂, 离群点挖掘受到越来越多人关注.基于高斯核函数, 考虑数据对象的k个最近邻居, 反向k近邻居和共享最近邻居三种邻居关系, 估计数据对象的密度, 提出了一种基于高斯核函数的局部离群点检测算法.该算法通过KNN图存储每个数据对象的最近邻, 包括k最近邻, 反向k近邻和共享最近邻, 构成数据对象的邻居集合S;通过核密度估计KDE方法估计数据对象的密度;通过相对密度离群因子RDOF来估计数据对象偏离邻域的程度, 进而判定数据对象是否为离群点, 并在真实和合成的数据集上证明了该算法的有效性.
推荐文章
一种基于多标记的局部离群点检测算法
机器学习
局部离群点
多标记
类别权重
基于 WSRFCM 聚类的局部离群点检测算法
特征加权
阴影集
阴影粗糙模糊聚类
局部离群度
离群点检测
基于分化距离的离群点检测算法
离群点检测
分化距离
分化度
友邻点
基于聚类划分的两阶段离群点检测算法
层次聚类
K-均值
信息熵
距离和
离群点检测
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于高斯核函数的局部离群点检测算法
来源期刊 哈尔滨商业大学学报(自然科学版) 学科 工学
关键词 离群点 高斯核函数 核密度 共享邻居 k最近邻 数据挖掘
年,卷(期) 2019,(2) 所属期刊栏目 计算机与信息工程
研究方向 页码范围 185-190,203
页数 7页 分类号 TP311
字数 6979字 语种 中文
DOI 10.3969/j.issn.1672-0946.2019.02.014
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 张忠平 燕山大学信息科学与工程学院 67 714 16.0 25.0
2 金一宁 哈尔滨商业大学计算机与信息工程学院 6 12 2.0 3.0
3 关绍云 哈尔滨商业大学计算机与信息工程学院 13 104 6.0 10.0
4 郭靖天 哈尔滨商业大学计算机与信息工程学院 4 4 1.0 1.0
5 郑丽坤 哈尔滨商业大学计算机与信息工程学院 11 40 2.0 6.0
6 苗创业 燕山大学信息科学与工程学院 1 2 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (25)
共引文献  (119)
参考文献  (7)
节点文献
引证文献  (2)
同被引文献  (18)
二级引证文献  (0)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(5)
  • 参考文献(0)
  • 二级参考文献(5)
2007(4)
  • 参考文献(1)
  • 二级参考文献(3)
2008(4)
  • 参考文献(0)
  • 二级参考文献(4)
2010(5)
  • 参考文献(2)
  • 二级参考文献(3)
2011(3)
  • 参考文献(0)
  • 二级参考文献(3)
2013(3)
  • 参考文献(2)
  • 二级参考文献(1)
2014(1)
  • 参考文献(0)
  • 二级参考文献(1)
2016(2)
  • 参考文献(2)
  • 二级参考文献(0)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2020(2)
  • 引证文献(2)
  • 二级引证文献(0)
研究主题发展历程
节点文献
离群点
高斯核函数
核密度
共享邻居
k最近邻
数据挖掘
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
哈尔滨商业大学学报(自然科学版)
双月刊
1672-0946
23-1497/N
大16开
哈尔滨市道里区通达街138号
1980
chi
出版文献量(篇)
3911
总下载数(次)
16
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导