shoudun5914的博客

Outlier Detection Based on Fuzzy Rough Granulesin Mixed Attribute Data-离群检测是数据挖掘中一个重要的研究方向。然而，目前的研究大多集中在分类或数值属性数据的离群检测上。关于混合属性数据的离群检测的研究很少。本文引入模糊粗糙集来处理混合属性数据中的离群检测问题。由于经典粗糙集的离群检测模型仅适用于分类属性数据，我们利用FRS对离群检测模型进行泛化，构建了基于模糊粗糙粒的广义离群检测模型。首先，定义颗粒离群度(GOD)，利用模糊逼近精度表征模糊粗糙粒的离群度；然后，通过对GOD和相应权重的积分，构造基于模糊粗糙粒的离群因子来表征对象的离群程度；在此基础上，设计了相应的基于模糊粗糙粒的离群点检测(FRGOD)算法。通过在16个真实数据集上的实验，评估了FRGOD算法的有效性。实验结果表明，该算法对离群检测更加灵活，适用于数值、分类和混合属性数据。

2020-Fuzzy information entropy-based adaptive approach for hybrid feature outlier detection-Matlab 代码 模糊粗糙集理论中基于模糊关系的模糊信息熵是一种重要的不确定性度量。然而，模糊信息熵用于混合特征离群点检测的研究尚未见报道。在此基础上，利用具有模糊相似关系的模糊近似空间，构造了一种基于模糊信息熵的混合特征离群点检测方法。首先，采用自适应模糊标准差半径和混合模糊相似度构造模糊近似空间，并在模糊信息熵的基础上定义相对模糊熵;然后，构造了两种度量来描述对象的离群度。最后，集成基于模糊熵的离群因子实现离群检测，设计了相关的基于模糊信息熵的离群检测算法(FIEOD)。将FIEOD算法与公共数据上的主要离群点检测算法进行了比较。实验结果表明，该方法具有较好的有效性和适应性。

基于邻域值差异度量的离群点检测算法Matlab代码-以邻域粗糙集为背景 针对离群点检测中传统距离法不能有效处理符号属性和经典粗糙集方法不能有效处理数值属性的问题，利用邻域粗糙集的粒化特征提出了改进的邻域值差异度量方法进行离群点检测。首先，将属性取值归一化并以混合欧氏重叠度量和具有自适应特征的邻域半径构建邻域信息系统；其次，以邻域值差异度量构造对象的邻域离群因子；最后，设计并实现了基于邻域值差异度量的离群点检测算法(NVDMOD)。