离群点检测的邻近性方法综述

离群点检测在数据挖掘中有非常广泛的应用,然而并不是所有的离群点检测问题都能用一种最优的方法去解决。针对不同的应用,需要用不同的方法,才能够最有效地解决实际问题。检测方法大致可以分为基于统计、基于聚类、基于邻近性（基于距离和基于密度）的方法。为了及时掌握当前基于邻近性技术的离群点检测方法的研究现状,通过整理和归纳,将代表性强的基于邻近性的离群点检测方法进行了介绍和评价,将其主要分为基于距离的方法和基于密度的方法,对所有提及的方法的应用场景、算法思想、能解决的问题以及各自的优缺点进行了详细的分析和归纳,指出目前存在的问题和对未来研究的发展方向。对开展邻近性的离群点检测研究具有重要意义。     

CT系统参数标定及成像建模

本文主要基于Radon正反变换,建模研究CT系统参数标定以及成像原理。针对问题1,以正方形模板的中心点为直角坐标系的原点,水平方向为X轴,竖直方向为Y轴,运用几何方法、数据分析、图像拟合等方法,解出CT系统探测器单元之间的距离为0.2768mm,其旋转中心的坐标为(-9.2734,5.9516)。CT系统的初始角度为33.0363°,终止角度为208.4130°,总共转过175.3767°。针对问题二和三,以问题一中得到的角度信息作为Radon反变换的参数,绘制附件2的CT系统成像图。主要使用三次样条插值与像素坐标转化直角坐标等方法,解出成像图的吸收率和几何图的吸收率之间的关系为:μ1=2μ2,转换得出几何图中各点吸收率值。     

Rough集综合评价矩阵及其在风险决策中的应用

综合评价就是对多种因素所影响的事物或现象做出总的评价,即对评价对象的全体,根据所给的条件,给每个对象赋予一个非负实数——评价指标,再据此排序择优．根据Rough集和Bayes理论中的决策规则的确定性因子的涵义及其功能,本文提出了决策规则的条件属性确定性因子的概念,再利用条件属性的综合权重建立了Rough集综合评价矩阵,在风险决策时可以给决策者提供一定的决策依据．     

主动协同半监督粗糙集分类模型

粗糙集理论是一种有监督学习模型,一般需要适量有标记的数据来训练分类器。但现实一些问题往往存在大量无标记的数据,而有标记数据由于标记代价过大较为稀少。文中结合主动学习和协同训练理论,提出一种可有效利用无标记数据提升分类性能的半监督粗糙集模型。该模型利用半监督属性约简算法提取两个差异性较大的约简构造基分类器,然后基于主动学习思想在无标记数据中选择两分类器分歧较大的样本进行人工标注,并将更新后的分类器交互协同学习。UCI数据集实验对比分析表明,该模型能明显提高分类学习性能,甚至能达到数据集的最优值。     

参赛学生Matlab短期培训方法之我见

本文先阐述了数学建模的一般过程及Matlab的功能与特点,然后介绍了笔者在参加全国数学建模竞赛中关于Matlab软件教学的一些心得与体会。     

基于矩阵的粗糙集上、下近似求解算法*

针对粗糙集中上、下近似集的求解问题,根据关系的矩阵表示和矩阵运算具有简便直观的特点,提出了一种利用关系矩阵和基本的矩阵运算计算上下近似的方法,通过理论证明结果显示该方法是可行有效的。     

基于Rough集的信息约简方法

本文主要针对Rough集理论本身以及基于Rough集理论的信息表的约简方法进行研究。并在原有的Rough集理论关于信息表约简方法的基础上提出了一种新的信息表约简的方法-简单相异矩阵法。     

基于变精度粗糙集的KNN分类改进算法

传统KNN算法具有简单、稳定和高效的特点,在实际领域得到广泛应用。但算法的时间复杂度与样本规模成正比,大规模或高维数据会降低KNN分类效率。文中通过引入变精度粗糙集模型,提出一种改进的KNN分类算法。算法运用变精度粗糙集上下近似概念,将各类训练样本划分为核心和边界区域,分类过程计算新样本与各类的近似程度,获取新样本的归属区域,减小分类代价,增强算法的鲁棒性。实验表明,与传统KNN算法相比,文中算法保持较高的分类精度并有效提高分类效率,具有一定的理论与实际价值。     

一种基于改进ReliefF算法的入侵检测模型

针对现有入侵检测算法中特征提取不充分、未考虑特征权重的影响、模型分类不够精确等问题,提出一种基于改进ReliefF算法的入侵检测模型。通过优化入侵数据特征权重计算,提出改进的ReliefF算法;根据计算特征的Pearson相关系数,建立特征相关性量表。只保留其中一个相关性高的特征,以实现特征的二次优化;对最优特征子集分别使用决策树(decision tree,DT)、k-最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、朴素贝叶斯(naive bayes, NB)和支持向量机(support vector machine, SVM)5种分类器评价该方法的分类性能和准确性。在NSL-KDD和UNSW-NB15两个数据集上的试验结果表明,该方法不仅具有较好的检测性能,还能有效降低特征维度,对分类器的计算复杂度有积极的影响。     

一种元素最大描述下的多粒度覆盖粗糙集模型

利用元素的最大描述,将传统多粒度粗糙集拓展到覆盖空间,首先提出了两种新的多粒度粗糙集模型,然后对模型的一些基本性质进行了研究,给出了不同多粒度覆盖粗糙集产生相同上、下近似的条件,最后研究了两种模型之间的关系。