基于可变阈值的无线传感网络异常值检测

定义了新的异常因子,将数据分为正常、异常、临界3种状态,并在此基础上构建了一个基于动态阈值的异常值检测模型。在修正马尔科夫假设的基础上,给出动态阈值的更新方法。算法在无需训练集的条件下,实现了在线的实时异常值检测。仿真实验表明,算法在保持较高检测精度的同时,维持了较低的误报率。     

基于运动矢量多级分析的视频全局运动估计

基于运动矢量场的视频全局运动估计相较于基于像素的估计方法具有较低的计算复杂度,因而广泛应用于视频分割及视频压缩等领域中。然而噪声和前景目标等外点区域的存在,降低了全局运动估计的准确性。为了提高全局运动估计的准确度,该文提出一种基于运动矢量多级分析的全局运动估计算法,该算法根据局部运动与全局运动的运动特性差异自适应地滤除前景目标区域,由邻域矢量间相似性度量检测出纹理平滑周期区域,最后滤除孤立的噪声区域,由滤波得到的内点区域求解全局运动参数。实验结果表明,该方法能有效地滤除外点区域,提高全局运动估计的准确性。     

结合SVD的小波变换在外弹道野值剔除中的应用

提出了一种结合SVD的小波变换方法,对其在外弹道测量数据中的野值剔除进行了研究。对观测数据进行小波分解,将小波分解后的近似分量和细节分量组合实现相空间重构,作为SVD方法的输入观测矩阵,根据奇异熵增量准则,对奇异值进行筛选,根据SVD逆变换重构原信号。这一方法克服了Hankel矩阵相空间构建方法数据端点失真问题,以小波分解后分量重构的相空间可以满足正交性,进一步提高了SVD进行数据降噪和野值检测的精度。仿真数据和试验数据处理结果证明了这一方法的有效性。     

基于熵距离的离群点检测及其应用

离群数据检测是找出与正常数据不一致的数据。由于某种原因,会出现一些噪声数据。针对噪声数据的特征,提出了一个有效的离群点检测算法。通过层次k-means算法对数据集进行聚类,从包括离群点可能性最大的簇开始进行检测,在检测过程中提出基于熵值距离来衡量数据点的离群程度,并通过剪枝规则来减少检测次数,从而提高了检测的效率。仿真结果表明该算法对出现的噪声数据具有较好的过滤效果。     

SKLOF:一种新的超新星候选范围约减算法

超新星是宇宙学中的“标准烛光”, 其在星系中爆发的概率很低, 是一种特殊、稀少的天体, 只有在大量观测的星系数据中才有机会遇到, 而正处于爆发期的超新星会照亮其整个星系从而在观测获得的星系光谱中具有较明显的特征。但是, 目前已发现的超新星数量相对于大量的天体而言又是非常稀少的, 搜寻它们所用的计算时间成为能否进行后续观测的关键, 因此需要寻找高效率的超新星搜寻方法。对超新星候选范围进行约减的LOF算法的时间复杂度较高, 计算量大, 不适用于大规模数据集。为此通过对LOF算法进行改进, 提出了一种在海量星系光谱中快速约减超新星候范围的新方法(SKLOF)。首先对光谱数据集中离中心点近的数据点进行数据剪枝, 剪掉那些肯定不是超新星候选体的光谱数据对象, 然后利用改进的LOF算法计算剩余的光谱数据的孤立性因子并降序排列进行离群搜索, 最后获得超新星候选体的较小的搜索范围以便进行后续的证认。实验结果表明, 该算法十分有效, 不仅在精确度上有所提高, 而且相比于LOF算法还进一步缩短了算法的运行时间, 提高了算法的执行效率。     

抗野值Kalman滤波在靶场测量数据处理中的应用

在无人机飞行参数测量中,由于杂波等各种偶然因素的影响,往往使测量数据中存在着大量的野值,从而造成测量数据的严重失真甚至使滤波过程发散.通过对测量数据新息序列的分析,提出了野值判定的方法,并通过对新息序列进行修正来消除野值的影响.Matlab仿真的结果表明该方法可以有效判别和修正野值,提高了滤波精度.     

基于粗糙孤立点检测的安全风险分析方法

Security is a nonfunctional information system attribute that plays a crucial role in wide sensor network application domains. Security risk can be quantified as the combination of the probability that a sensor network system may fail and the evaluation of the severity of the damage caused by the failure. In this paper, we devise a methodology of Rough Outlier Detection (ROD) for the detection of security-based risk factor, which originates from violations of attack requirements ( namely, attack risks). The methodology elaborates dimension reduction method to analyze the attack risk probability from high dimensional and nonlinear data set, and combines it with rough redundancy reduction and the distance measurement of kernel function which is obtained using the ROD. In this way, it is possible to determine the risky scenarios, and the analysis feedback can be used to improve the sensor network system design. We illustrate the methodology in the DARPA case set study using step-by-step approach and then prove that the method is effective in lowering the rate of false alarm.     

跳汰机的性能及统计模型

在煤用重选设备评定的国际标准（ＩＳＯ９２３）和以之为蓝本的国家标准（ＧＢ／Ｔ１５７１５）中的第一项评定指标“可能偏差”及和其有关的“不完善度”的确定是由以下步骤决定：１．由仅仅一次浮沉试验取得一组数据（一个观察值）并由此计算两段分离所得产品的分配率;２．用手工凭想象中的“Ｓ型曲线”把分配率中的两组６ 至８ 个点联起来得到两条“分配曲线”;３．由这两条粗糙的曲线“量出”各自的２５％ 和７５％ 分位点,以此得到能反映重选设备分离能力好坏的两个指标：“可能偏差”Ｅ和“不完善度”Ｉ,很难想象,这样由一个观察值得到的指标并通过没有模型的手工绘图而得到的结果会有任何实际意义,本文建议利用尽可能多的观察值来拟合ｌｏｇｉｓｔｉｃ回归模型,并依此得到分配曲线和计算出参数Ｅ和Ｉ,本文还利用一组实际数据来说明我们方法的合理性     

基于Bayes方法的诊断模型分析

文中证明了在Bayes框架下,当漂移参数7服从有信息先验时,在相当广泛的统计模型中,数据删除模型(CDM)和均值漂移模型(MSOM)的参数估计不相等,几个数值例子验证了相应的结论.     

Detecting stage-wise outliers in hierarchical Bayesian linear models of repeated measures data

We propose numerical and graphical methods for outlier detection in hierarchical Bayes modeling and analyses of repeated measures regression data from multiple subjects; data from a single subject are generically called a “curve”. The first-stage of our model has curve-specific regression coefficients with possibly autoregressive errors of a prespecified order. The first-stage regression vectors for different curves are linked in a second-stage modeling step, possibly involving additional regression variables. Detection of thestage at which the curve appears to be an outlier and themagnitude and specific component of the violation at that stage is accomplished by embedding the null model into a larger parametric model that can accommodate such unusual observations. We give two examples to illustrate the diagnostics, develop a BUGS program to compute them using MCMC techniques, and examine the sensitivity of the conclusions to the prior modeling assumptions.