bp神經網絡的異常點檢測應用可行性分析畢業論文-資料下載頁

　　

【正文】 0異常點分布43851028000000 25個隱層實驗結果 單位:個數分區正常點計算分布00031614039911491829226異常點分布0000385079899（單位：縱軸個數，）注：，橫軸表示0到1區間，縱軸表示個數；系列1表示非異常點計算結果，系列2表示異常點計算結果 5個隱層實驗結果（單位：縱軸個數，）注：，橫軸表示0到1區間，縱軸表示個數；系列1表示非異常點計算結果，系列2表示異常點計算結果 15個隱層實驗結果（單位：縱軸個數，）注：，橫軸表示0到1區間，縱軸表示個數；系列1表示非異常點計算結果，系列2表示異常點計算結果 25個隱層實驗結果數據分布一樣，無法區分。通過上面幾個實驗可以知道，并非BP結構過擬化，應該是數據問題。，規范化數據，隨機生成具備兩類特征數據。本實驗BP結構采用隱層5個神經元，輸出層一個。出于簡化方案，只訓練非異常數據，異常數據特征不太可控。（1） 生成隨機數據。先生成20組數據，17組正常數據，3組異常。（2） 接入神經網絡對非異常數據進行訓練。組數據結束條件教師信號與實際輸出相差絕對值 300次。（3） 保存訓練后權值，對原訓練數據進行收斂性檢查，同時查看二十組數據分布。（4） 隨機生成具備(1)特征地另一組數據，采用（2）已經訓練地權值，進行計算測試，查看分析結果數據分布。（單位：縱軸屬性值，橫軸順序表示屬性順序，同一種圖形表示一組數據）注：。總20組，17組正常數據，3組異常。每一組數據由一種圖形構成。17，18，19為異常數據。 隨機數訓練完后神經網絡與訓練數據計算結果,。計算第二組生成地隨機測試數據。單位：橫軸表示順序，縱軸表示計算結果數值。 測試訓練收斂與否（每個點代表一個結果）根據上面結果，可以看出BP具備特征記憶能力能夠在這種情況下被使用，并且能夠區分自身訓練集合地特征。，可以明顯區分開發來。證明BP具備一定數據特征篩選能力。在本實驗過程中同時進行了不同數據集合地實驗，多屬性特征穿插混淆，總體能夠的到穩定結果，多屬性特征則比較不穩定。 根據上面實驗，總地來說在實際異常點檢測上面，單純BP神經網未能達到預期異常點檢測地效果，，不管異常非異常在訓練后，計算結果分布都呈現難以區分判斷地現象。，總體呈現靠近非異常點教師信號分布，對未知數據無法得到確切的判斷方案。，異常與非異常點計算結果都是，很難獲得一個較高準確率地檢測方案，數據較集中分布狀況一樣，無法很好分離開來。究其原因，可能是BP結構隱層單元過多，數據特性之間交叉特性太多，以使計算結果無法區分開來。，而是由于數據特征相似性太大，只有一兩個屬性相異來分類。對于大規模多特征地數據集合，單純BP很難做出很好解決方案。通過在圖表中顯示地coil2000異常與非異常數據，具有很高地相似性，只有小部分屬性分布不同，很難使用bp獲得很好地分離方案。單位：橫軸表示順序，縱軸表示計算結果數值。 測試訓練收斂與否（每個點代表一個結果），對于區別單一、兩類特征數據，還是具備相當地可行性。試驗中我們采用了兩類特征地隨機數，得到了很好地區分度。根據數據分布，可以很好得到判斷方案。可見BP具備一定的分類器能力，采用多分類器方法對數據集合進行學習，還是具備一定地可行性。當然實際應用還會出現其他很多需要解決地問題。，可以知道如果做分類器對待多特征可以采用多BP網絡學習。同時對于出現特征交叉的問題，比如數據組A的前幾個屬性和B數據組前幾個屬性一樣，然后最后屬性存在不同，屬于不同類（異常和非異常），對與這種情況很難處理。時間限制未作深入研究。總結與展望綜上分析所述，BP具備一定特征分類能力，但是要通過這種分類能力去做異常點檢測需要考慮很多因素，并且需要做很多輔助工作。特別是對于不同類數據而且特征較少數據，難以分離區別。假設應用BP神經網絡做異常點檢測，實際應用則采用BP充當分類器，并且根據特征采用多分類器結構，解決數據多特征問題。同時對于那些不同類而且是數據特征相似性較大（比如很多屬性處在相同空間范圍，局部屬性不同）則需要采用更多神經網絡訓練這些特征，以便分離，或者采用專家系統方式，對這些具備相似性較高而又不同類進行量化可控地判斷。同時對于超出已知范疇特性地數據，進行保存處理，訓練出新的神經網絡，同時通過人工專家系統進行更新。這樣保證在可控范圍能得到更高準確性。同樣如果能夠有好地方案，能夠明顯獲得已知數據特征，并且能夠很好分離相近特征屬性的方案，那將是有很好速度檢測到異常數據，同時配合專家決策系統能夠使結果更具實際地準確性，而不是單純地數據異常準確性。當然這建立在已知數據集合有足夠豐富特征。對于未知數據特征可以報警，通過人工干預使系統學習到新特征，或者自動控制地方法學習。總地來說，使用神經網絡分類，對于相似性比較高，差異集中在局部特征的數據，可以使用特征映射相關技術遺傳算法、啟發式搜索、特征隨機選取等得到這些特征差異。對于正常數據多特征地問題，特別是正常數據有多類數據的，可以采用多神經網絡融合，即多神經網絡記錄多特征。參考文獻[1] Hawkins D. Identification of Outliers[M]. and hall. 1980.[2] Edwin M. Knorr, Raymond T. Ng，Vladimir Tucakov. DistanceBased Outlier:Algorithms Applications[J].(34):237253.[3] Edwin M. Knorr, Raymod T. Ng. Algorithms for Mining DistanceBased Outliers in Large Datasets[R]. Very Large Data Bases Conference :2427.[4] 王元明，熊偉. 異常數據的檢測方法[J]. 重慶工業學院學報（自然科學），2009，第23卷：8689.[5] 楊永銘，王喆. 孤立點算法研究[J]. 計算機與數字工程，2008，219期：1115.[6] Aleksandar Lazarevic, Vipin Kumar. Feature Bagging for Outlier Detection[C]. Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining，Chicago, Illinois, USA，Pages: 157 166.[7] Tom . 機器學習[M]. 北京：機械工業出版社，2002：6090.[8] Jiawei Han. 數據挖掘概念與技術[M]. 北京：機械工業出版社，2006：295301.[9] 馬少平，朱小燕. 人工智能[M]. 北京：清華出版社，2007：245268.[10] 彭清娥，曹叔尤，劉興年，黃爾，李昌志. BP算法中固定學習率的性能分析[A].成都:四川大學高速水力學國家重點實驗室，2000.[11] Stefano Melacci, Marco Maggini, Lorenzo Sarti. Semisupervised Clustering using Similarity Neural Networks[A]. Proceedings of International Joint Conference on Neural Networks[C], Atlanta, Georgia, USA, June 1419, 2009.[12] 李炎，李皓. 異常檢測算法分析[J]. 計算機工程，2002，28(6):56,32.[13] 鄢團軍,劉勇. 孤立點檢測算法與應用[J]. 三峽大學學報(自然科學版）,2009,31(1):98102.[14] 劉合兵,尚俊平. 基于距離和密度的聚類和孤立檢測算法[J]. 河南師范大學學報(自然科學版)，2008，38(3)：3840.[15] 張寧. 離群點檢測算法研究[J]. 桂林電子科技大學學報,2009,29(1):2225.致 謝本論文是在我的指導老師王麗娟老師的親切關懷和悉心指導下完成的。她嚴肅的科學態度，嚴謹的治學精神，精益求精的工作作風，深深地感染和激勵這我。從題目的選擇到最終完成，王麗娟老師適中基于我細心的指導和不懈的支持。比如題目開題研究前期，老師幫忙找了很多資料，并及時和我溝通，因為前期在外實習，有時候老師還會打電話詢問具體進度，并及時對出現問題進行引導。后期實驗出現了問題，在老師指導下才知道如何論證本算法地可行性，并支持了我設計上地一些問題。這些都給我很大地幫助。也是一步步支持我能夠圓滿結題地推動力。在此，感謝老師地辛勤付出！愿一切順利平安