基于神经网络的异常点挖掘-计算机应用技术专业论文.docx

I I 摘 要 摘 要 近年来，社会的飞速发展，伴随而来的就是大量的数据的产生。对于这些海量的数 据，人们希望能过其中的大部分数据找出某些规律来指导人们日常的行为。在这个过程 中，人们大多数情况下都认为只有那些大量相似的数据才会包含某种重要信息，从未忽 略了某些少数样例。然而，正是这些被人们认为无用的数据可能包含着人们没有发现的 更重要的信息。正是由于这个原因，人们提出了异常点挖掘算法。 异常点挖掘又被称为离群点分析、异常检测，是数据挖掘技术的一个重要方面。目 前，已经有很多种异常点挖掘算法被人们提出，最被人们熟知的有基于距离的和基于密 度的挖掘算法。但是两种算法都具有一些不足之处，它们不适用于一些高维数据。 本文提出了一种基于神经网络的异常点挖掘算法，该算法利用神经网络来对数据进 行分类，再结合信息熵来判断数据是否为异常点，避免了其它异常点挖掘算法的一些不 足之处。最后，在一些数据集上进行了试验，并对结果进行了分析。实验结果表明，该 算法可以有效的发现数据中的异常点。 关键词 数据挖掘 异常点 异常点挖掘 神经网络 信息熵 I II Abstract Abstract In recent years, large amounts of data are generated from our daily life, and people want to find some rules through the vast amounts of data. In the process, people always think that only those who are a large number of similar data will contain some important information and ignore the small datasets. However, the datasets which people ignore may contain important information. It is the reason why people propose outlier mining algorithm. Outlier mining is also known as outlier analysis, anomaly detection, which is an important aspect of data mining. Currently, there are many outlier mining algorithms have been proposed. Most of people are familiar with distance-based and density-based algorithm, but the two algorithms have some shortcomings. They do not apply to some high-dimensional data. This paper proposes a neural network-based outlier mining algorithm. This algorithm uses neural network to classify the data and then uses the entropy to determine whether the data are abnormal. This algorithm avoids the shortcomings generated by other outlier mining algorithms. Finally, some experiments are conducted on some datasets. The experimental results show that the algorithm can effectively find the outliers. Keywords data mining outlier outlier detection neural network entropy 保护知识产权声明 本人为申请河北大学学位所提交的题目为每寸神经肉体 的县举主拉抽 的学位论文，是我个人在导师也晋、)指导并与导师合作下取得的研究成果，研 究工作及取得的研究成果是在河北大学所提供的研究经费及导师的研究经费资 助下完成的 。本人完全了解并严格遵守中华人民兵和因为保护知识 产权所制定的 各项法律、行政法规以及河北大学的相关规定。 本人声明如下:本论文的成果归河北大学所有，未经征得指导教师和河北大 学的书面同意