.png){kind=icon}
返回
Outlier detection based on local dynamic granular-ball computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133515.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常值检测是识别复杂数据中异常样本的有效技术。现有的异常值检测方法大多基于单样本输入，缺乏足够的鲁棒性和效率。基于粒度球计算的异常值检测方法具有更好的鲁棒性和效率。然而，这些方法将粒度球作为计算单元，忽略了粒度球内的大量样本信息，可能导致异常值检测的精度损失。受此问题启发，本文提出了一种融合粒度球内局部样本知识的异常值检测方法。首先，提出了一种局部动态粒度球计算（LDGBC）方法，以解决基于粒度球计算方法固有的信息失真问题。然后，提出了基于LDGBC的模糊邻域粗糙集模型，以及基于该模型的近似精度定义和通过粒度球计算得到的相对组合熵。随后，通过融合所提出的近似精度和相对组合熵定义了一种协同异常值度量。最后，基于从属性相关性构建的属性序列设计了协同异常因子，用于异常值检测。同时，提出了一种相应的异常值检测算法。在数据集上的实验将所提算法与七种其他算法进行比较。实验结果表明，该算法具有更好的性能和一定程度的鲁棒性。
Keyword:
Outlier detection
Granular-ball computing
Local dynamic granular-ball computing
Fuzzy neighborhood rough sets
Synergistic outlier factor
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
Outlier Detection for Process Monitoring in Industrial Cyber-Physical Systems工业网络物理系统中过程监控的异常值检测
PREAI
分享收藏GBNRS: A Novel Rough Set Algorithm for Fast Adaptive Attribute Reduction in ClassificationGBNRS: 一种新的粗糙集分类快速自适应属性约简算法
PREAI
分享收藏
查看更多内容