科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对因高比例异常数据的特征种类较多且存在状态转移特性，导致识别误差大的问题，提出一种基于神经网络的高比例异常数据识别算法。根据相邻数据集间具有时间和空间相关性特点，建立数据基础状态映射序列，计算数据样本在不同空间、不同时间点上的初始状态和结束状态，以及上一时刻和当下一时刻的数据空间和时间所属状态，根据前后变化对比得到状态转移概率，计算提取数据在不同时间点的具体特征。采用神经网络建立高比例异常数据识别模型，对待识别样本标准化处理，定义标准样本并提取特征因子，求解样本集中所有数据与标准样本的隶属度，存在正向相关关系为正常样本，反向则为异常数据样本，通过阈值对比实现高比例异常数据的有效识别。实验结果表明，所提算法识别精准度较高，误差率较低，具有一定的实用价值。
- 出版日期2023
- 单位西南交通大学; 西南交通大学希望学院
