基于直方图和FP增长的高维空间离群点挖掘

计算机与现代化 ›› 2013, Vol. 1 ›› Issue (1): 47-52.doi:

基于直方图和FP增长的高维空间离群点挖掘

李龙姣，程国达

南京财经大学信息工程学院，江苏南京210046

收稿日期:2012-08-31 修回日期:1900-01-01 出版日期:2013-02-06 发布日期:2013-02-06

Mining Outliers in Highdimensional Space Based on Histogram and FPgrowth

LI Longjiao, CHENG Guoda

College of Information Engineering, Nanjing University of Finance & Economics, Nanjing 210046, China

Received:2012-08-31 Revised:1900-01-01 Online:2013-02-06 Published:2013-02-06

摘要/Abstract

摘要：

高维空间离群点的检测和分析是数据挖掘的研究难点之一，针对现有方法存在的问题，提出基于直方图和FP增长的高维空间离群点的挖掘方法。该方法首先计算每一维上数据点的KNN（KNearest Neighbors）距离，形成直方图，利用直方图判定数据每一维上的离群点，然后用FP增长算法挖掘频繁离群维之间的关联规则，用于解释离群点在离群维之间的关系。实验证明所提方法不仅有效，而且具有实际意义。



关键词: 关键词：数据挖掘, KNN距离, 直方图, FP增长, 离群维关联

Abstract:

Outlier detecting in highdimensional space is one of the difficult issues in the area of data mining. In this paper, a new outlier mining method based on histogram and FP (FrequentPattern) growth is presented to solve the drawback of the existing methods on high dimensional space. In the method, the KNN（KNearest Neighbors）distance is calculated first to form the histogram in each dimension. Then, the outliers are distinguished from them. Finally, the association rules of the frequent outlier dimensions are detected by the FP growth to explain the relation in the outliers. The experiments indicate that the method is effective and meaningful.



Key words: Key words: data mining, KNN distance, histogram, FP growth, association of outlier dimensions

李龙姣;程国达. 基于直方图和FP增长的高维空间离群点挖掘[J]. 计算机与现代化, 2013, 1(1): 47-52.

LI Longjiao;CHENG Guoda. Mining Outliers in Highdimensional Space Based on Histogram and FPgrowth[J]. Computer and Modernization, 2013, 1(1): 47-52.

[1]	廖聪, 郭凰, 赵茂军, 王雨松, 白俊峰. 基于图像增强和SKNet的交通标志识别[J]. 计算机与现代化, 2023, 0(03): 23-28.
[2]	李雨妮，王鹏，肖建力. 一种使用多维度直方图匹配的图像风格迁移算法[J]. 计算机与现代化, 2019, 0(02): 15-.
[3]	张宁,王志明,郑健. 基于标记分水岭的植物重叠叶片改进分割算法[J]. 计算机与现代化, 2019, 0(01): 21-.
[4]	刘冰1,2，刘雪梅3. 一种结合有限域运算的混沌映射在数字图像加密中的应用[J]. 计算机与现代化, 2017, 0(7): 53-56.
[5]	张俊杰1，丁淑艳2，李伦波1. 基于类Haar特征和颜色特征的NAO机器人识别[J]. 计算机与现代化, 2017, 0(2): 30-35.
[6]	杜尚尚1,2,3,雷斌1,2,3,郭嘉逸1,2,3,卢晓军4. 基于CNN回归网络的遥感图像颜色自动校正[J]. 计算机与现代化, 2017, 0(12): 28-32+121.
[7]	程金芝，郭玲. 相位标志牌图像识别与缺陷检测[J]. 计算机与现代化, 2017, 0(10): 20-23,28.
[8]	蒋亚平，李士进. 基于分块特征点密度的多特征融合遥感图像场景分类[J]. 计算机与现代化, 2016, 0(5): 1-6.
[9]	夏小玲，刘慧艺. 面向数据流的差分隐私直方图发布[J]. 计算机与现代化, 2016, 0(2): 52-57.
[10]	刘一宸. 基于色块边缘和颜色直方图的多目标跟踪算法[J]. 计算机与现代化, 2016, 0(2): 24-27.
[11]	朱凌云1,朱征宇1,2,齐新勇1. 融合多种内容特征的图像检索算法[J]. 计算机与现代化, 2015, 0(9): 17-21.
[12]	张桂宁. 基于改进HOG特征值的行人检测[J]. 计算机与现代化, 2015, 0(2): 52-.
[13]	郭燕，刘富强，李志鹏. 视频聊天中的人眼自然对视自适应矫正方法[J]. 计算机与现代化, 2014, 0(1): 22-26,31.
[14]	吴丹;蔡晓东;谢月飞;曾威. 基于直方图分析和OTSU算法的文字图像二值化[J]. 计算机与现代化, 2013, 1(7): 117-119,.
[15]	杨小伟;徐贵力;王彪;郭瑞鹏;田裕鹏;何银南. 一种基于局部梯度矢量的车辆检测方法[J]. 计算机与现代化, 2013, 1(2): 9-14.