資源描述：
《基于信息熵和子空間的離群數(shù)據(jù)挖掘算法研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、太原科技大學碩士學位論文基于信息熵和子空間的離群數(shù)據(jù)挖掘算法研究姓名：張賀申請學位級別：碩士專業(yè)：計算機軟件與理論指導教師：張繼福20090701中文摘要離群數(shù)據(jù)挖掘是找出隱含在海量數(shù)據(jù)中相對稀疏而孤立的異常數(shù)據(jù)模式，它往往可以使人們發(fā)現(xiàn)一些真實的，但又出乎意料的知識，因此通過對離群數(shù)據(jù)的研究，發(fā)現(xiàn)異常的行為和模式，有著非常重要的意義。現(xiàn)有的傳統(tǒng)離群數(shù)據(jù)挖掘方法存在著受人為因素影響較大，而且不能對挖掘出來的離群點做進一步分析的問題。本文采用信息熵作為離群數(shù)據(jù)的度量手段，對離群數(shù)據(jù)挖掘方法進行了研究，其主要研究成果如下：1、給出一種基于信息熵的離群數(shù)據(jù)挖掘算法(OMBIE)。首先，分析和定義了
2、基于信息熵的離群度量因子，并通過離群度量因子來度量數(shù)據(jù)集中每個記錄的離群程度；然后，根據(jù)每個數(shù)據(jù)點離群程度，檢測出離群數(shù)據(jù)，從而有效地消除了人為主觀因素對離群檢測的影響，進一步反映客觀事物的本質，并能較好地解釋離群點的含義；最后，實驗驗證了該算法的可行性和有效性。2、給出一種離群數(shù)據(jù)挖掘算法(OMBCAS)。首先，引入屬性熵與特征屬性的概念，并計算特征屬性子空間和屬性權重；然后，利用異常度的概念，計算子空間離群影響因子，并檢測出離群點；最后，實驗驗證了算法具有不需要人為干預、伸縮性強等優(yōu)點。關鍵字：離群數(shù)據(jù)；信息熵；離群度量因子；特征屬性；子空間；恒星光譜數(shù)據(jù)ABSTRACTThetasko
3、fOutlierMiningistodiscoverexceptional，interesting，sparseandisolatedpatternsconcealedinmassivedataset．Itcanfindsomereal，butunexpectedknowledge．Therefore，itisofsignificancetomineabnormalbehaviorsandpatternsbystudyingOutlierMiningmethods．Thetraditionaloutlierminingmethodsaresubjecttoman-madefactors；in
4、addition，minedoutlierscannotbeanalyzedfurther．Wehaveadoptedtheinformationentropyasameansofmeasuringoutlierdata,andstudiedOutlierMiningmethodshavebeenstudied．Mainresearchesareasfollows：1)Anewdataminingalgorithm---OutlierMiningalgorithmbasedonInformationEntropyispresentedbyusingoutliermeasurefactorba
5、sedoninformationentropy．Inthealgorithm，outliermeasurefactorofeachrecordiscalculatedbyusinginformationentropy，andthenoutliersaredetectedbythevaluesofoutliermeasurefactor，SOthatimpactbyman-madefactorsiseliminatedinoutliermining．Thedefinitionofoutlierbasedonoutliermeasurefactorcouldexplainthemeaningof
6、theoutliers．Intheend，experimentalresultsshowthefeasibilityand，effectivenessofthealgorithmbyutilizingUCIandhigh-dimensionalstarspectrumdata．2)Anoutlierminingalgorithmbasedoncharacteristicattributesubspaceisproposed．Firstly，thedefinitionsofattributeentropyandcharacteristicattributeareintroducedtomake
7、correspondingcharacteristicattributesubspaceandattributeweight．Secondly，subspaceoutlierinfluencefactoriscomputedbyabnormalitydegree，andthenoutliersarefound．Finally，experimentresultsshowthatthealgorithmisfea
