-
公开(公告)号：CN104156418B
公开(公告)日：2015-09-30
申请号：CN201410377347.8
申请日：2014-08-01
Applicant: 北京系统工程研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于知识重用的演化聚类方法，其通过截取t时刻和以时间窗口长度为限制的有限个历史时刻的数据，应用任一静态聚类方法对数据进行聚类分析，并将聚类结果生成离散化0-1矩阵，之后按时间衰减加权离散化0-1矩阵获得加权0-1矩阵，最后用静态聚类方法对加权0-1矩阵进行静态聚类分析，获得t时刻的演化聚类结果。本发明是通过融合历史时刻的多时间截面静态聚类结果，形成知识积累；从短期来看，可以消除数据噪音提高聚类准确率，从长期来看，可以防止数据扰动保持聚类的稳定性。
-
公开(公告)号：CN104504233A
公开(公告)日：2015-04-08
申请号：CN201410646085.0
申请日：2014-11-14
Applicant: 北京系统工程研究所
IPC: G06F19/00
Abstract: 本发明提供了一种基于多维向量熵随机采样的异常识别方法，该方法包括以下步骤：I、从样本空间Ω中样本点选取采样点，生成子样本空间ω；II、确定所述样本点的多维向量熵；III、重复上述步骤，确定所述样本点多维向量熵的融合结果；IV、确定所述样本点的异常程度；V、确定异常点。该方法通过融合随机采样的样本点，解决大规模数据中的异常识别面临的样本量大、维度高等问题，该方法不仅能降低异常识别的时间复杂度，提高识别效果的准确性，还具有较强的扩展性。
-
公开(公告)号：CN104504233B
公开(公告)日：2017-06-06
申请号：CN201410646085.0
申请日：2014-11-14
Applicant: 北京系统工程研究所
IPC: G06F19/00
Abstract: 本发明提供了一种基于多维向量熵随机采样的异常识别方法，该方法包括以下步骤：I、从样本空间Ω中样本点选取采样点，生成子样本空间ω；II、确定所述样本点的多维向量熵；III、重复上述步骤，确定所述样本点多维向量熵的融合结果；IV、确定所述样本点的异常程度；V、确定异常点。该方法通过融合随机采样的样本点，解决大规模数据中的异常识别面临的样本量大、维度高等问题，该方法不仅能降低异常识别的时间复杂度，提高识别效果的准确性，还具有较强的扩展性。
-
公开(公告)号：CN104156418A
公开(公告)日：2014-11-19
申请号：CN201410377347.8
申请日：2014-08-01
Applicant: 北京系统工程研究所
IPC: G06F17/30
CPC classification number: G06F17/30864 , G06K9/6218
Abstract: 本发明公开了一种基于知识重用的演化聚类方法，其通过截取t时刻和以时间窗口长度为限制的有限个历史时刻的数据，应用任一静态聚类方法对数据进行聚类分析，并将聚类结果生成离散化0-1矩阵，之后按时间衰减加权离散化0-1矩阵获得加权0-1矩阵，最后用静态聚类方法对加权0-1矩阵进行静态聚类分析，获得t时刻的演化聚类结果。本发明是通过融合历史时刻的多时间截面静态聚类结果，形成知识积累；从短期来看，可以消除数据噪音提高聚类准确率，从长期来看，可以防止数据扰动保持聚类的稳定性。
-
-
-
Search Results
4
records
(took 0.021 seconds)
