一種自適應(yīng)無參空間離群點檢測算法
【專利摘要】本發(fā)明屬于離群點挖掘領(lǐng)域，尤其涉及一種自適應(yīng)無參空間離群點檢測算法。其特征在于，首先通過基于全局穩(wěn)定的最近鄰確定算法計算出最終最近鄰居個數(shù)和對象o的空間鄰居；計算數(shù)據(jù)集O中每個對象的空間離群度；對數(shù)據(jù)集O的非空間維度屬性進(jìn)行離群點檢測；設(shè)置臨界離群點；計算判定空間離群點的門限值；將SLOV大于門限的點作為潛在空間離群點；最后進(jìn)行空間離群點判別。本發(fā)明算法提高了檢測精度，并根據(jù)數(shù)據(jù)特性自適應(yīng)確定離群點檢測門限和對象的空間鄰域，不需要用戶給定空間離群點個數(shù)和空間鄰域個數(shù)就能自主檢測出空間離群點，克服了已有的算法對用戶依賴大的特點，實現(xiàn)了無參的封閉運算，為無線傳感器網(wǎng)絡(luò)決策剔除了異常數(shù)據(jù)。
【專利說明】
一種自適應(yīng)無參空間離群點檢測算法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于離群點挖掘領(lǐng)域，尤其涉及一種農(nóng)田無線傳感器網(wǎng)絡(luò)數(shù)據(jù)的自適應(yīng)無 參空間離群點檢測算法。
【背景技術(shù)】
[0002] 無線傳感器網(wǎng)絡(luò)采集到的環(huán)境數(shù)據(jù)因其自身硬件和軟件的限制，以及環(huán)境因素的 影響，極易產(chǎn)生異常值。而依據(jù)環(huán)境監(jiān)測數(shù)據(jù)做出相應(yīng)決策是精細(xì)農(nóng)業(yè)的基本操作。因此， 剔除網(wǎng)絡(luò)異常數(shù)據(jù)對農(nóng)業(yè)環(huán)境監(jiān)測至關(guān)重要。
[0003]分布在監(jiān)測區(qū)域內(nèi)的傳感器節(jié)點對環(huán)境參數(shù)進(jìn)行周期性的采集，并發(fā)送到監(jiān)測平 臺上。決策者相隔一定的時間根據(jù)平臺上的數(shù)據(jù)做出決策，為了避免離群點對決策帶來的 影響，每次決策前都需要對數(shù)據(jù)進(jìn)行離群點檢測。
[0004] 現(xiàn)有的空間離群點檢測算法對用戶依賴性大，如SLOM算法與SLOF算法，需要人工 設(shè)定空間鄰居的判定條件和離群點個數(shù)。但在無線傳感器網(wǎng)絡(luò)中，隨著時間的推移，網(wǎng)絡(luò)得 到的數(shù)據(jù)特性是動態(tài)變化的，因此很難人工設(shè)定適用于長期離群點檢測的閾值;同時，無線 傳感器網(wǎng)絡(luò)的一些節(jié)點會出現(xiàn)故障，也會加入一些新的節(jié)點，因此整個網(wǎng)絡(luò)的空間關(guān)系也 會改變，此外，在每次的離群點檢測中，離群點個數(shù)不能提前獲知。因此，已有的算法不適用 于無線傳感器網(wǎng)絡(luò)數(shù)據(jù)的離群點檢測，另外已有算法的空間離群度量方式存在誤檢和漏檢 率高的問題。

【發(fā)明內(nèi)容】

[0005] 為了解決上述問題，本發(fā)明提出了一種自適應(yīng)無參空間離群點檢測算法，其特征 在于，所述算法的具體步驟為
[0006] 步驟1、通過基于全局穩(wěn)定的最近鄰確定算法計算出最終最近鄰居個數(shù)fk，求出每 個對象空間上最近的f k個點作為空間鄰域;得到f k后，距對象〇空間最近的f k個點即為〇的 空間鄰居，〇的所有空間鄰居組成它的空間鄰域NH(o);
[0007] 步驟2、計算每個對象的空間離群度；
[0008] 步驟3、對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測；
[0009] 步驟4、針對是否存在非空間維度屬性局部離群點的兩種情況，設(shè)置臨界離群點；
[0010] 步驟5、計算判定空間離群點的門限值；
[0011 ]步驟6、將SLOV大于門限的點作為潛在空間離群點；
[0012]步驟7、進(jìn)行空間離群點判別。
[0013 ]所述步驟1中基于全局穩(wěn)定的最近鄰確定算法的步驟為：
[0014]步驟101、設(shè)定最近鄰居數(shù)k的初始值為1;
[0015]步驟102、計算每個對象的空間相鄰對象個數(shù)nk;
[0016]步驟103、計算k最近鄰居下沒有空間相鄰對象的點的個數(shù)nz;
[0017 ] 步驟104、當(dāng)nz不為0時，令k = k+1，返回步驟102，否則轉(zhuǎn)到步驟105;
[0018] 步驟105、當(dāng)ηζ = 0時，此時的k即為最終最近鄰居個數(shù)fk。
[0019] 所述步驟2中計算每個對象的空間離群度采用計算空間局部離群值SLOV的方法，
空間局部離群值SLOV (O)= ?、(〇、Λ b-： Nlh
[0020] 其中，對象〇的空間鄰居 Pb表示對象〇 的任意鄰域?qū)ο?，對象〇的鄰域距?％0，對于〇i e 0,〇盧0，對象〇1與〇」的非空間屬把 3ik)表示對象
〇1第k維度標(biāo)準(zhǔn)化的非空間屬性，f(〇jk)表尸化的非空間屬性，d表示維 數(shù)，同理求得對象a與b的非空間屬性的歐￡ 對象&與〇的非空間屬性的 歐氏距?
?表一個無窮小的數(shù)。
[0021] 所述步驟3中對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測的方法為采用基于自 然最近鄰居搜索算法的聚類算法，該聚類算法自動確定聚類近鄰個數(shù)kl，通過確定自然最 近鄰對數(shù)進(jìn)行聚類，沒有自然鄰居的點被視為局部離群點。
[0022] 所述步驟4中所述找出臨界離群點的具體過程為 [0023]情況一:存在局部離群點
[0024] (1)根據(jù)聚類算法得到最近鄰個數(shù)kl，計算每個離群點的kl近鄰離群度，找出kl近 鄰離群度最小的離群點作為基準(zhǔn)離群點；
[0025] (2)找到距離基準(zhǔn)離群點最近的正常點作為基準(zhǔn)正常點，基準(zhǔn)正常點所在的類的 所有對象為基準(zhǔn)族，基準(zhǔn)族中的對象間除〇外的最小距尚為dl;
[0026] (3)計算基準(zhǔn)離群點和基準(zhǔn)正常點之間每個維度的中值，作為待測值；
[0027] (4)將待測值與基準(zhǔn)簇進(jìn)行近鄰數(shù)為kl的聚類，若基準(zhǔn)簇被聚成一類且待測值被 認(rèn)定為離群值，則將基準(zhǔn)離群點更新為待測值，否則將基準(zhǔn)正常點更新為待測值；
[0028] (5)計算更新后的基準(zhǔn)正常點與基準(zhǔn)離群點之間的距離d2,若d2>dl，則返回步驟 (3)，否則執(zhí)行步驟(6);
[0029] (6)算法結(jié)束，將此時得到的基準(zhǔn)離群點值作為臨界離群點；
[0030]情況二:不存在局部離群點 [0031]人為設(shè)定臨界離群點，具體步驟為
[0032] (1)找到非空間屬性值在每一維度上是最大值或最小值的對象，看做是簇的邊緣；
[0033] (2)得到聚類算法過程中的最近鄰個數(shù)kl;
[0034] (3)計算這些對象的kl近鄰離群度，將kl近鄰離群度最小的對象作為基準(zhǔn)對像，基 準(zhǔn)對象所在的類的所有對象作為基準(zhǔn)簇;新設(shè)置一個點q，該點的屬性與基準(zhǔn)對象的非空間 屬性相同，將點q作為待測對象，將它的d維度屬性表示為f(qd);
[0035] (4)計算基準(zhǔn)簇的簇心，判斷基準(zhǔn)對象每一維非空間屬性與簇心的位置關(guān)系；
[0036] (5)計算非空間屬性每一維度上對象距離除0外的最小值，共d維；
[0037] (6)將待測對象非空間i維度屬性值f(qi)更新為f (Cuhb1^1為第i維度上對象距 離除〇外的最小值，得到新的待測對象的第i維屬性值為:fXqM-irbi);
[0038] 其中，當(dāng)基準(zhǔn)點的第i維屬性值比簇心大，則指數(shù)m = 2;當(dāng)基準(zhǔn)點的第i維屬性值比 簇心小，則指數(shù)m=l;保證了待測值與簇心的距離比基準(zhǔn)點遠(yuǎn)，從而構(gòu)造出離群點；
[0039] (7)用kl近鄰聚類算法對基準(zhǔn)簇和待測對象進(jìn)行聚類，若基準(zhǔn)簇被聚為一類且待 測對象被判定為離群點，執(zhí)行步驟(8)，否則返回執(zhí)行步驟(6);
[0040] (8)算法結(jié)束，將此時得到的待測對象作為臨界離群點。
[0041] 所述步驟5中所述計算判定空間離群點的門限值具體為計算臨界離群點的kl近鄰 離群度klnlof作為空間離群點判定的門限threshold。
[0042] 所述步驟7中所述空間離群點判別過程為：
[0043] (1)找到SLOV值最大的潛在離群點作為空間離群點，把它作為空間離群點，將它的 非空間屬性值更新為鄰域非空間屬性的均值；
[0044] (2)找到鄰域中包括空間里群點的對象，重新計算這些對象的空間離群度；
[0045] (3)將除了空間離群點的其它對象的空間離群度重新判別，找出新的潛在離群點；
[0046] (4)若新的潛在離群點個數(shù)不為0,則重復(fù)步驟（1)、（2)、（3)，否則算法結(jié)束，輸出 所有空間離群點。
[0047] 所述空間和對象的概念指的是無線傳感器網(wǎng)絡(luò)的節(jié)點。
[0048] 有益效果
[0049] 針對現(xiàn)有技術(shù)的不足，本發(fā)明的算法提出一種新的空間離群度量方法，提高了檢 測精度，并根據(jù)數(shù)據(jù)特性自適應(yīng)確定離群點檢測門限和對象的空間鄰域，不需要用戶給定 空間離群點個數(shù)和空間鄰域個數(shù)就能自主檢測出空間離群點，克服了已有的算法對用戶依 賴大的特點，實現(xiàn)了無參的封閉運算，為無線傳感器網(wǎng)絡(luò)決策剔除了異常數(shù)據(jù)。
【附圖說明】
[0050] 圖1為本發(fā)明的一種自適應(yīng)無參空間離群點檢測算法的流程圖。
【具體實施方式】
[0051] 下面結(jié)合附圖，對本發(fā)明作詳細(xì)說明。圖1為本發(fā)明的一種自適應(yīng)無參空間離群點 檢測算法的流程圖。本發(fā)明算法的具體步驟為：
[0052] 步驟1、通過基于全局穩(wěn)定的最近鄰確定算法計算出最終最近鄰居個數(shù)fk，求出每 個對象空間上最近的f k個點作為空間鄰域;得到f k后，距對象〇空間最近的f k個點即為〇的 空間鄰居，〇的所有空間鄰居組成它的空間鄰域NH(o);
[0053]步驟2、計算每個對象的空間離群度；
[0054] 步驟3、對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測；
[0055] 步驟4、針對是否存在非空間維度屬性局部離群點的兩種情況，設(shè)置臨界離群點；
[0056] 步驟5、計算判定空間離群點的門限值；
[0057]步驟6、將SLOV大于門限的點作為潛在空間離群點；
[0058]步驟7、進(jìn)行空間離群點判別。
[0059] 所述步驟1中基于全局穩(wěn)定的最近鄰確定算法的步驟為：
[0060] 步驟101、設(shè)定最近鄰居數(shù)k的初始值為1;
[0061 ]步驟102、計算每個對象的空間相鄰對象個數(shù)nk;
[0062] 步驟103、計算k最近鄰居下沒有空間相鄰對象的點的個數(shù)nz;
[0063] 步驟104、當(dāng)nz不為0時，令k = k+1，返回步驟102，否則轉(zhuǎn)到步驟105;
[0064] 步驟105、當(dāng)ηζ = 0時，此時的k即為最終最近鄰居個數(shù)fk。
[0065] 所述步驟Λ Μ""#卞間離群度采用計算空間局部離群值SLOV的方法， 空間局部離群值Si- J-；
[0066] 其中，對象〇的空間鄰居平均間H
和b表示對象〇
象〇1第1^維度標(biāo)準(zhǔn)化的非空間屬性，[0067] f (Ojk)表示對象〇j第k維度標(biāo)準(zhǔn)化的非空間屬性，d表示維數(shù)，同理求得對象a與b的 的任意鄰域?qū)ο?，對象〇的鄰域距?義為0，對于〇i 已0,〇盧0，對象〇1與〇」的非空間屬七 f(〇ik)表示對 非空間屬性的歐氏距
：卩對象&與〇的非空間屬性的歐氏勝
代表一個無窮小的數(shù)。
[0068] 所述步驟3中對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測的方法為采用基于自 然最近鄰居搜索算法的聚類算法，該聚類算法自動確定聚類近鄰個數(shù)kl，通過確定自然最 近鄰對數(shù)進(jìn)行聚類，沒有自然鄰居的點被視為局部離群點。
[0069] 所述步驟4中所述找出臨界離群點的具體過程為
[0070] 情況一:存在局部離群點
[0071] (1)根據(jù)聚類算法得到最近鄰個數(shù)kl，計算每個離群點的kl近鄰離群度，找出kl近 鄰離群度最小的離群點作為基準(zhǔn)離群點；
[0072] (2)找到距離基準(zhǔn)離群點最近的正常點作為基準(zhǔn)正常點，基準(zhǔn)正常點所在的類的 所有對象為基準(zhǔn)族，基準(zhǔn)族中的對象間除〇外的最小距尚為dl;
[0073] (3)計算基準(zhǔn)離群點和基準(zhǔn)正常點之間每個維度的中值，作為待測值；
[0074] (4)將待測值與基準(zhǔn)簇進(jìn)行近鄰數(shù)為kl的聚類，若基準(zhǔn)簇被聚成一類且待測值被 認(rèn)定為離群值，則將基準(zhǔn)離群點更新為待測值，否則將基準(zhǔn)正常點更新為待測值；
[0075] (5)計算更新后的基準(zhǔn)正常點與基準(zhǔn)離群點之間的距離d2,若d2>dl，則返回步驟 (3)，否則執(zhí)行步驟(6);
[0076] (6)算法結(jié)束，將此時得到的基準(zhǔn)離群點值作為臨界離群點；
[0077]情況二:不存在局部離群點
[0078] 人為設(shè)定臨界離群點，具體步驟為
[0079] (1)找到非空間屬性值在每一維度上是最大值或最小值的對象，看做是簇的邊緣；
[0080] (2)得到聚類算法過程中的最近鄰個數(shù)kl;
[0081 ] (3)計算這些對象的kl近鄰離群度，將kl近鄰離群度最小的對象作為基準(zhǔn)對像，基 準(zhǔn)對象所在的類的所有對象作為基準(zhǔn)簇;新設(shè)置一個點q，該點的屬性與基準(zhǔn)對象的非空間 屬性相同，將點q作為待測對象，將它的d維度屬性表示為f(qd);
[0082] (4)計算基準(zhǔn)簇的簇心，判斷基準(zhǔn)對象每一維非空間屬性與簇心的位置關(guān)系；
[0083] (5)計算非空間屬性每一維度上對象距離除0外的最小值，共d維；
[0084] (6)將待測對象非空間i維度屬性值f(qi)更新為f (Cuhb1^1為第i維度上對象距 離除〇外的最小值，得到新的待測對象的第i維屬性值為:fXqM-irbi);
[0085] 其中，當(dāng)基準(zhǔn)點的第i維屬性值比簇心大，則指數(shù)m = 2;當(dāng)基準(zhǔn)點的第i維屬性值比 簇心小，則指數(shù)m=l;保證了待測值與簇心的距離比基準(zhǔn)點遠(yuǎn)，從而構(gòu)造出離群點；
[0086] (7)用kl近鄰聚類算法對基準(zhǔn)簇和待測對象進(jìn)行聚類，若基準(zhǔn)簇被聚為一類且待 測對象被判定為離群點，執(zhí)行步驟(8)，否則返回執(zhí)行步驟(6);
[0087] (8)算法結(jié)束，將此時得到的待測對象作為臨界離群點。
[0088] 所述步驟5中所述計算判定空間離群點的門限值具體為計算臨界離群點的kl近鄰 離群度klnlof作為空間離群點判定的門限threshold。
[0089] 所述步驟7中所述空間離群點判別過程為：
[0090] (1)找到SLOV值最大的潛在離群點作為空間離群點，把它作為空間離群點，將它的 非空間屬性值更新為鄰域非空間屬性的均值；
[0091 ] (2)找到鄰域中包括空間里群點的對象，重新計算這些對象的空間離群度；
[0092] (3)將除了空間離群點的其它對象的空間離群度重新判別，找出新的潛在離群點；
[0093] (4)若新的潛在離群點個數(shù)不為0,則重復(fù)步驟（1)、（2)、（3)，否則算法結(jié)束，輸出 所有空間離群點。
[0094] 對某月2日與28日9點的英特爾伯克利實驗室的傳感器網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行空間離群點 檢測，步驟如下：
[0095] 1、通過基于全局穩(wěn)定的最近鄰確定算法計算出的空間鄰居數(shù)為4,求出每個對象 空間上最近的4個點作為空間鄰域。
[0096] 2、計算每個對象的空間離群值SL0V。
[0097] 3、對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測，得到一個離群點，該點即基準(zhǔn) 咼群點。
[0098]找到非空間屬性距該離群點最近的正常點，為基準(zhǔn)正常點，該正常點所在的簇為 基準(zhǔn)簇。
[0099] 4、由于得到了局部離群點，因此采用上文提到的不斷采中值法找到臨界離群點。
[0100] 5、計算臨界離群點的kl近鄰離群度作為門限。
[0101] 6、將SLOV大于門限的點作為潛在離群點。
[0102] 7、找到SLOV值最大的潛在離群點作為空間離群點，重新計算鄰域中包含該點的對 象的SLOV值。重新尋找潛在離群點，直到找到所有空間里群點。
【主權(quán)項】
1. 一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述算法的具體步驟為 步驟1、通過基于全局穩(wěn)定的最近鄰確定算法計算出最終最近鄰居個數(shù)fk，求出數(shù)據(jù)集 0中每個對象空間上最近的fk個點作為空間鄰域;得到fk后，距對象0空間最近的fk個點即 為0的空間鄰居，0的所有空間鄰居組成它的空間鄰域NH(o); 步驟2、計算每個對象的空間離群度； 步驟3、對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測； 步驟4、針對是否存在非空間維度屬性局部離群點的兩種情況，設(shè)置臨界離群點； 步驟5、計算判定空間離群點的口限值； 步驟6、將空間局部離群值化0V大于口限的點作為潛在空間離群點； 步驟7、進(jìn)行空間離群點判別。2. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述步驟 1中基于全局穩(wěn)定的最近鄰確定算法的步驟為： 步驟101、設(shè)定最近鄰居數(shù)k的初始值為1; 步驟102、計算每個對象的空間相鄰對象個數(shù)nk; 步驟103、計算k最近鄰居下沒有空間相鄰對象的點的個數(shù)nz; 步驟104、當(dāng)nz不為加寸，令k = k+l，返回步驟102,否則轉(zhuǎn)到步驟105; 步驟105、當(dāng)nz = 0時，此時的k即為最終最近鄰居個數(shù)fk。3. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述步驟 2中計算每個對象的空間離群度采用計算空間局部離群值化OV的方法，空間局部離群值其中，對象0的空間鄰居平均間圓a和b表示對象0的任 意鄰域?qū)ο?，對?的鄰域距?對于oi e 0，oj e 0，對象oi與oj的非 空間屬性的歐氏距離；f(〇ik)表示對象〇1第k維度標(biāo)準(zhǔn)化的非空 間屬性，f(〇A)表示對象W第k維度標(biāo)準(zhǔn)化的非空間屬性，d表示維數(shù)，同理求得對象a與b的 非空間屬性的歐氏距離： 代表一個無窮小的數(shù)。4. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述步驟 3中對該數(shù)據(jù)集的非空間維度屬性進(jìn)行離群點檢測的方法為采用基于自然最近鄰居捜索算 法的聚類算法，該聚類算法自動確定聚類近鄰個數(shù)kl，通過確定自然最近鄰對數(shù)進(jìn)行聚類， 沒有自然鄰居的點被視為局部離群點。5. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述步驟 4中所述找出臨界離群點的具體過程為 情況一:存在局部離群點 (1) 根據(jù)聚類算法得到最近鄰個數(shù)kl，計算每個離群點的kl近鄰離群度，找出kl近鄰離 群度最小的離群點作為基準(zhǔn)離群點； (2) 找到距離基準(zhǔn)離群點最近的正常點作為基準(zhǔn)正常點，基準(zhǔn)正常點所在的類的所有 對象為基準(zhǔn)簇，基準(zhǔn)簇中的對象間除0外的最小距罔為dl; (3) 計算基準(zhǔn)離群點和基準(zhǔn)正常點之間每個維度的中值，作為待測值； (4) 將待測值與基準(zhǔn)簇進(jìn)行近鄰數(shù)為kl的聚類，若基準(zhǔn)簇被聚成一類且待測值被認(rèn)定 為離群值，則將基準(zhǔn)離群點更新為待測值，否則將基準(zhǔn)正常點更新為待測值； (5) 計算更新后的基準(zhǔn)正常點與基準(zhǔn)離群點之間的距離d2,若d2〉dl，則返回步驟(3)， 否則執(zhí)行步驟(6); (6) 算法結(jié)束，將此時得到的基準(zhǔn)離群點值作為臨界離群點； 情況二:不存在局部離群點 人為設(shè)定臨界離群點，具體步驟為 (1) 找到非空間屬性值在每一維度上是最大值或最小值的對象，看做是簇的邊緣； (2) 得到聚類算法過程中的最近鄰個數(shù)kl; (3) 計算運些對象的kl近鄰離群度，將kl近鄰離群度最小的對象作為基準(zhǔn)對像，基準(zhǔn)對 象所在的類的所有對象作為基準(zhǔn)簇;新設(shè)置一個點q，該點的屬性與基準(zhǔn)對象的非空間屬性 相同，將點q作為待測對象，將它的d維度屬性表示為f(qd); (4) 計算基準(zhǔn)簇的簇屯、，判斷基準(zhǔn)對象每一維非空間屬性與簇屯、的位置關(guān)系； (5) 計算非空間屬性每一維度上對象距離除0外的最小值，共d維； (6) 將待測對象非空間i維度屬性值f(qi)更新為f(qi)+bi，b功第i維度上對象距離除0 夕F的最小值，得到新的待測對象的第i維屬性值為:f(qi+(-irbi); 其中，當(dāng)基準(zhǔn)點的第i維屬性值比簇屯、大，則指數(shù)m = 2;當(dāng)基準(zhǔn)點的第i維屬性值比簇屯、 小，則指數(shù)m=l;保證了待測值與簇屯、的距離比基準(zhǔn)點遠(yuǎn)，從而構(gòu)造出離群點； (7) 用kl近鄰聚類算法對基準(zhǔn)簇和待測對象進(jìn)行聚類，若基準(zhǔn)簇被聚為一類且待測對 象被判定為離群點，執(zhí)行步驟(8)，否則返回執(zhí)行步驟(6); (8) 算法結(jié)束，將此時得到的待測對象作為臨界離群點。6. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述步驟 5中所述計算判定空間離群點的口限值具體為計算臨界離群點的kl近鄰離群度klnlof作為 空間離群點判定的口限thresho 1 d。7. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述步驟 7中所述空間離群點判別過程為： (1) 找到化0V值最大的潛在離群點作為空間離群點，把它作為空間離群點，將它的非空 間屬性值更新為鄰域非空間屬性的均值； (2) 找到鄰域中包括空間里群點的對象，重新計算運些對象的空間離群度； (3) 將除了空間離群點的其它對象的空間離群度重新判別，找出新的潛在離群點； (4) 若新的潛在離群點個數(shù)不為0,則重復(fù)步驟（1)、（2)、（3)，否則算法結(jié)束，輸出所有 空間離群點。8.根據(jù)權(quán)利要求1所述的一種自適應(yīng)無參空間離群點檢測算法，其特征在于，所述空間 和對象的概念指的是無線傳感器網(wǎng)絡(luò)的節(jié)點。
【文檔編號】G06F19/00GK105844102SQ201610178994
【公開日】2016年8月10日
【申請日】2016年3月25日
【發(fā)明人】高紅菊, 劉艷哲, 劉繼文, 儲汪兵
【申請人】中國農(nóng)業(yè)大學(xué)