海量信息异常检测问题的异常概率排序算法

您当前的位置：

首页 >

文章列表页 >

海量信息异常检测问题的异常概率排序算法

更新时间：2025-07-09

- 海量信息异常检测问题的异常概率排序算法
- Issue 4, Pages: 36-40(2011)
- 作者机构：
  
  1. 西安交通大学电子与信息工程学院
  2. 中国国防科技信息中心
- 作者简介：
- 基金信息：
- DOI：
  CLC： TP393.08
- Published：2011
- 稿件说明：
移动端阅览
[J]. 2011, (4): 36-40.
DOI：

[J]. 2011, (4): 36-40. DOI：

摘要

针对异常检测算法速度慢、精度低、稳定性差等问题

提出了一种通过异常概率排序提取异常点的算法(OAP).由于异常点相对正常点更容易通过对数据空间的均匀分割而孤立出来

所以OAP通过数据点在均匀N叉分割树中的孤立深度估算异常概率的大小

从而得到异常概率的排序

最终构造由k个异常概率最大的点组成的列表

列表中的数据就是所求的异常点.OAP不需要距离或密度的计算

复杂度被降到O(n)级.实验结果表明

对于规模线性增加的海量实验数据集

OAP消耗的CPU时间也线性增加;相对iForest算法

其速度提高了30倍

精度提高了20%～30%

且同一数据集上的多次实验结果一致

稳定性高.

Abstract

关键词

Keywords

references

祝颂和等编.离散数学[M].西安交通大学出版社,1991.

Marcel Prastawa,Elizabeth Bullitt,Sean Ho,Guido Gerig.A brain tumor segmentation framework based on outlier detection[J].Medical Image Analysis,2004(3).

Y. C. Ho,R. S. Sreenivas,P. Vakili.Ordinal optimization of DEDS[J].Discrete Event Dynamic Systems,1992(1).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

采用多变量耦合网络与变分图自编码器的机械设备异常检测方法

利用残差分析的网络异常流量检测方法

滚动轴承高维随机矩阵状态异常检测算法

周界视频监控中人员翻越行为检测算法

两阶段密度意识子空间聚类模型

Related Author

洪军

闫柯

任智军

杨敏燕

朱永生

张聪

王换招

马文强

Related Institution

西安交通大学现代设计及转子轴承系统教育部重点实验室

西安交通大学智能网络与网络安全教育部重点实验室

西安交通大学深圳科学技术研究院

西安空间无线电技术研究所

南通大学机械工程学院

⁰