【基于规则】n-sigma

已于 2024-11-25 15:27:57 修改
阅读量174 收藏
点赞数
分类专栏： 机器学习 文章标签： 算法
于 2024-11-25 15:02:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41413211/article/details/144027729
版权

在正态分布中：

  • 约68%的数据点会落在均值±1σ的范围内
  • 约95%的数据点会落在均值±2σ的范围内
  • 约99.7%的数据点会落在均值±3σ的范围内

这称为68-95-99.7法则（Empirical Rule）。

假设我们有一组数据，其均值为μ，标准差为σ。某个数据点x的n-sigma计算公式如下：

 若z=1.2，说明该数据点在1σ和2σ之间（位于均值 μ 加上 1.2 个标准差）

算法缺点：

不能用于预测趋势：随着数据点的绝对值增大，通常会使得数据点相对于均值的n-sigma值增大，从而使得这个数据点所在的范围（即n-sigma的上下界）也相应变宽

异常检测逻辑

了解本专栏 订阅专栏 解锁全文
探索可观测性：AIOps中的时序数据应用
weixin_42556618的博客
12-07 1041
究竟什么是时序数据，时序数据在智能运维（AIOps）领域又能为人们带来哪些价值呢？本文将会围绕这两点进行阐述，并拓展介绍一些具体应用时序数据的算法。
正态分布N(mu,sigma)和N(0,1)之间的KL散度推导
u010590593的博客
04-21 1710
目标：计算 计算： 计算： 合起来
sigma(n^m)
Grastyele
06-07 1086
12+22+32+……+n2 = n*(n+1)*(2n+1)/6 = n3/3+n2/2+n/6 ; 这条式子相信很多人应该都知道吧，不过证明呢？前几天一个朋友问了我一下，我证了好一阵子，现在讲讲我的思路…… 先引用另外两条式子：A.  1+2+3+……+n = n*(n+1)/2 = n2/2+n/2 ;B.  (n+1)3-n3 = 3n2+3n+1;  （是不是想到
KPI异常检测【三】- 机器学习算法
Rnan_prince的博客
06-17 5438
1、相关概念 1.1 异常类型 https://zhuanlan.zhihu.com/p/67396219 1.2 检测方法 https://www.cnblogs.com/rnanprince/articles/10790313.html 标记(labels)：有监督，半监督，无监督 样本类型 困难 有监督 平衡 样本极度不平衡时，训练难；人工标记难 半监督 极度平衡 可能无异常样本 无监督 无标签 有强假设关系，检测存在偏差 .
蛋白质相互作用系列：GN算法
weixin_43770577的博客
02-23 968
 随着酵母双杂交、基于质谱的串联亲和纯化、蛋白质芯片等高通量生物实验方法的发展和文本挖掘技术在蛋白质相互作用预测中的广泛应用，所以蛋白质相互作用数据库日益丰富 ，并形成了越来越多的蛋白质相互作用网络(PPI)。  所以面对大量可用的PPI网络数据，如何快速、有效地识别各种具有生物学功能的功能模块（也称蛋白质复合物）就成为蛋白质组学研究中一项极为关键的科学问题。并且在校期间的一个科研项目就正是关于蛋白质相互作用，所以决定结合目前的文献，新开一个蛋白质相互作用的系列，用来介绍相关的内容。  传统挖掘网络结构的方
Spark.SQL时间序列缺失值填充与异常值处理
fitzgerald0的博客
04-30 3880
PySpark时间序列缺失值填充与异常值修复
网络KPI异常检测之时序分解算法
华为云官方博客
06-11 3385
【摘要】 如何去发现时间序列中的规律、找出其中的异常点呢？接下来，我们将揭开这些问题的面纱。 时间序列数据伴随着我们的生活和工作。从牙牙学语时的“1, 2, 3, 4, 5, ……”到房价的走势变化，从金融领域的刷卡记录到运维领域的核心网性能指标。时间序列中的规律能加深我们对事物和场景的认识，时间序列中的异常能提醒我们某些部分可能出现问题。那么如何去发现时间序列中的规律、找出其中的异常点呢？接下来，我们将揭开这些问题的面纱。 一、什么是异常 直观上讲，异常就是现实与心理预期产生较大...
S2AN:Sigma2AttackNet-Sigma Rules的映射器:right_arrow:MITER ATT＆CK
05-25
S Sigma 2A ttack N et-Sigma规则的映射器 :right_arrow: 斜切ATT＆CK S2AN是在.NET Core中开发的独立工具，可用于Linux和Windows（x64），旨在与包含规则的文件夹进行交互。 当前支持以下功能： 根据Sigma规则...
音频设备中的Delta-Sigma调制：应用详解与性能提升技巧
Delta-Sigma调制技术在音频设备领域具有广泛应用，通过过采样和噪声整形提高信号处理的分辨率和性能。本文系统性地介绍了Delta-Sigma调制的理论基础、关键组件及其在音频转换、设计优化和不同音频格式中的应用。分析...
【通信系统中的Delta-Sigma DAC】：角色定位与挑战应对策略
Delta-Sigma数字到模拟转换器（DAC）已经成为现代通信系统中不可或缺的组件，特别是在高精度数据转换和信号处理中扮演着关键角色。这种DAC的核心优势在于其通过Delta-Sigma调制技术来提高信号的信噪比（SNR），并...
【Delta-Sigma DAC终极入门指南】：数字到模拟转换的6大关键技巧
Delta-Sigma DAC，即ΔΣ（Delta-Sigma）数字到模拟转换器，是一种广泛应用于音频处理、测量设备及其他精密模拟输出领域的转换技术。本章将探讨ΔΣ DAC的基本概念、工作原理，及其在现代电子系统中的重要性。 ## ...
KPI异常检测【一】- 时间序列分解算法
Rnan_prince的博客
05-31 5809
1、相关概念 1.1 异常 时序异常检测通常形式化为根据某种标准或正常信号寻找离群数据点。有很多异常类型，但本文只关注那些从商业角度来说最重要的类型，包括意料之外的峰谷、趋势变动、水平变化（level shift）。 数学上表示为： |预测值-真实值| > 阈值 1.2 时间序列 时间序列又称时间数列或动态数列，是按照时问的先后顺序排列的某一现象的一系列观测值。 1.2.1 组成 (1)现象所属的时间； (2)现象在不同时间上的观测值。现象在不同时间上的观测值的表现形式，有绝对数
3sigma模型案例分析彻底搞懂置信度与置信区间
热门推荐
u014296502的专栏
07-02 2万+
学习机器学习算法时，经常会碰到数理统计中置信区间、置信度，虽然学习过相关课程，但是每次遇到它总是懵懵懂懂，似懂非懂。为了对这两个概念有深入的了解，这里做了相关的介绍。为了不老是纠缠于数理统计理论，或者学习了概念之后又无法应用的情况发生，这里以一个机器学习特征工程中常用的异常值检测算法--3sigma模型，来解释这两个概念，这样你既学会了一种异常值模型，又弄懂了这个概念，这个买卖划得来。异常值检测算...
历年西安交通大学计算机保研上机真题
u014339447的博客
05-30 1134
2025西安交通大学计算机保研上机真题2024西安交通大学计算机保研上机真题2023西安交通大学计算机保研上机真题。
4. 算法与分析 (1)
LxiazichengxiL的博客
05-29 923
算法是对特定问题求解方法和步骤的一种描述，它是。
Java垃圾回收算法及GC触发条件
weixin_56018532的博客
06-02 786
垃圾回收是一种自动内存管理机制，它能够识别程序中不再使用的内存空间（即"垃圾"），并将其回收以供后续使用。在Java中，开发者不需要显式地释放内存，JVM会自动完成这一工作。Java垃圾回收的核心任务是确定哪些对象是"活动的"（仍在使用中），哪些是"垃圾"（不再使用）。一般来说，如果一个对象不能通过任何引用链从程序的"根"（如全局变量、当前执行栈中的局部变量等）访问到，那么这个对象就被认为是垃圾，可以被回收。
池中锦鲤的自我修养，聊聊蓄水池算法
最新发布
Wendy_robot的博客
06-02 619
起初你满怀期待跳进大厂池子，以为自己是天选之子，结果发现池子里早挤满了和你一样的“锦鲤候选人”。HR的渔网一撒，捞谁全看概率——这不就是的精髓吗？kVIPk + 1k / i“面完三面等消息？恭喜，你进入了k / N的量子纠缠态。1001000k / N所以，下次面试官问你“如何公平抽奖”，请优雅地回答：“简单，像泡池子一样，先到的不一定稳，后来的未必凉，一切交给蓄水池的数学之美。
基于多模态脑电、音频与视觉信号的情感识别算法【Nature核心期刊，EAV：EEG-音频-视频数据集】
weixin_42380711的博客
05-29 1247
DatabaseLanguageSubjectsTypesS, ISEED-IV11EEG and EMVideosS, IDREAMER10EEG & ECGMoviesS, IMPED9VideosS, IASCERTAIN8VideosS, IAMIGOS7MoviesS, IDEAP12S, IIEMOCAP15EnglishS, ISEMAINE16EnglishS, INNIME19ChineseP, NRAVDESS20。
[网页五子棋][匹配模块]处理开始匹配/停止匹配请求(匹配算法，匹配器的实现)
Yeeear的博客
05-29 1191
摘要：本文介绍了游戏匹配系统的设计与实现。系统通过WebSocket处理玩家匹配请求，分为三个分数段位队列（Normal、High、VeryHigh）进行匹配。核心功能包括：1) 解析客户端匹配请求并分类处理；2) 使用Matcher类管理三个匹配队列，提供增删玩家方法；3) 通过独立线程持续扫描队列，将同等级玩家两两配对。系统还处理了连接异常情况，确保玩家断开时自动移出队列。匹配算法采用简单分段策略，未来可扩展更精确的匹配机制。代码实现展示了具体的Java处理逻辑，包括请求解析、队列操作和线程调度。
基于规则 面向对象 图像分类法
05-09
<think>嗯，用户想了解基于规则和面向对象的图像分类方法，特别是算法和实现。首先，我需要回忆一下这两种方法的定义和区别。基于规则的分类应该是指使用预定义的逻辑或条件来进行分类，而面向对象的分类可能涉及图像分割后的对象处理，比如多尺度分割。 用户提供的引用中有几个相关的部分。引用[3]提到了面向对象的影像分类技术，使用了多尺度分割算法，结合光谱和形状特征。引用[2]讨论了层次分类算法，说明父类是虚类，分类时只应用子类，这可能和基于规则的分类有关。引用[4]提到了超像素的初始化，这可能与分割步骤有关。需要结合这些信息来构建回答。 首先，我需要解释基于规则的分类方法。通常，这可能包括阈值法、决策树或者专家系统。比如设定光谱阈值来区分植被和非植被。然后，面向对象的分类则先进行图像分割，生成对象，再根据对象的特征进行分类，比如纹理、形状、上下文关系等。引用[3]中的多尺度分割算法是关键，这里需要详细说明步骤。 接下来是算法步骤。基于规则的分类可能分为特征选择、规则构建和应用规则。面向对象的分类则需要分割、特征提取、规则或模型构建，以及分类。可能需要提到像eCognition这样的软件，如引用[3]中提到的。 在实现部分，用户可能需要代码示例。比如使用Python的scikit-image进行分割，然后提取特征，再用决策树进行分类。需要确保代码符合用户的要求，使用正确的库，比如skimage、sklearn等。同时，要引用相关的引用内容，比如多尺度分割和超像素初始化。 然后生成相关问题，可能需要考虑两种方法的比较、挑战、常用工具和评估指标。确保问题能够引导用户进一步深入学习。 需要注意的是，用户可能对具体的技术细节和实际应用案例感兴趣，所以应结合引用中的案例，如贝叶斯分类和KNN在图像分类中的应用，但当前问题主要基于规则和面向对象，可能需要调整引用内容的相关部分。 最后，检查回答结构是否清晰，分点说明，并正确使用LaTeX格式，确保数学表达式和代码块符合要求。同时，引用标记要正确对应，比如引用[2]和[3]在适当的位置。</think>### 基于规则和面向对象的图像分类方法解析 #### 一、基于规则的图像分类 **核心思想**：通过预定义的逻辑条件（光谱阈值、形状参数等）直接划分地物类型[^2]。 **典型算法流程**： 1. **特征选择**：选取光谱值（如NDVI）、纹理（如灰度共生矩阵）、几何特征（如长宽比） 2. **规则构建**：通过专家知识或统计方法设定判断条件 $$ \text{NDVI} > 0.3 \Rightarrow \text{植被类} $$ 3. **规则应用**：逐像素或逐对象执行判断条件 **Python实现示例**（阈值分类）： ```python import numpy as np from skimage import io image = io.imread('image.tif') ndvi = (image[:,:,3]-image[:,:,2])/(image[:,:,3]+image[:,:,2]+1e-6) vegetation_mask = ndvi > 0.3 # 光谱阈值规则 ``` #### 二、面向对象的图像分类 **核心思想**：先进行图像分割生成同质对象，再基于对象特征分类[^3] **关键技术环节**： 1. **多尺度分割** - 综合光谱异质性和形状异质性计算 $$ H = w_{color} \cdot \Delta h_{color} + w_{shape} \cdot \Delta h_{shape} $$ - 通过迭代合并像素直到异质性超过阈值[^3] 2. **特征提取** | 特征类型 | 典型参数 | |----------------|--------------------------| | 光谱特征 | 均值、标准差 | | 纹理特征 | 能量、熵、对比度 | | 几何特征 | 面积、长宽比、紧致度 | 3. **分类规则构建** - 基于专家系统的层次分类（父类禁用，子类继承特征）[^2] - 示例规则树： ``` 若 平均红边波段 > 120 → 植被 若 纹理熵 < 2 → 草地 否则 → 树林 ``` **Python实现示例**（基于skimage）： ```python from skimage.segmentation import felzenszwalb from sklearn.tree import DecisionTreeClassifier # 多尺度分割 segments = felzenszwalb(image, scale=100, sigma=0.5, min_size=50) # 特征提取 features = [] for seg_id in np.unique(segments): mask = segments == seg_id features.append([ np.mean(image[mask][:,0]), # 红光波段均值 np.std(image[mask][:,3]), # 近红外标准差 np.sum(mask) # 对象面积 ]) # 构建决策树分类器 clf = DecisionTreeClassifier() clf.fit(train_features, train_labels) ``` #### 三、方法对比 | 维度 | 基于规则方法 | 面向对象方法 | |----------------|-------------------------------|-------------------------------| | 处理单元 | 像素 | 图像对象 | | 优势 | 计算简单、实时性强 | 利用上下文信息、抗噪性好 | | 典型应用 | 简单场景分类（如水体提取） | 复杂地物识别（如城市建筑） | | 工具平台 | ENVI Band Math | eCognition Developer | #### 四、实现要点 1. **分割质量优化**： - 超像素初始化时需平衡空间分布密度与地物尺度[^4] - 步长计算： $$ S = \sqrt{\frac{N}{K}} \quad (N:总像素数, K:超像素数) $$ 2. **规则树设计原则**： - 按层次结构逐步细化分类 - 优先使用区分度高的特征 - 设置置信度阈值避免错误累积 3. **精度验证方法**： - 混淆矩阵分析 - Kappa系数计算 - 面向对象方法需进行分割评价（如Dice系数）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坠金

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值