导读:本文包含了异常值论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:异常,人工智能,因子,奇异,局部,姿态,卷积。
异常值论文文献综述
梁日新,李英[1]（2019）在《企业财务风险预警体系构建——基于Themis异常值分析法》一文中研究指出随着我国经济的快速发展以及国际资本市场的不断发展,企业经营面临着更大的不确定性和危机感。要实现企业的健康持续发展,离不开财务风险预警体系在风险预测中发挥的作用。文章在对比分析了传统财务风险预警方法的优缺点后,发现这些方法已难以适应现代企业的发展,在此基础上,引入Themis异常值分析法,构建了Themis异常值分析体系,旨在为企业财务风险预警提供一个良好的参考。(本文来源于《商业会计》期刊2019年23期）
郭战坤,金永威,梁小珍,杨明歌,汪寿阳[2]（2019）在《基于异常值检测的港口集装箱吞吐量预测模型》一文中研究指出考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.(本文来源于《数学的实践与认识》期刊2019年17期）
吴琼,滕云田,王晓美[3]（2019）在《绝对重力测量异常值的局部异常因子检测算法》一文中研究指出自主研发绝对重力仪的测量结果中出现的离群程度不同的异常值会直接影响测量结果的准确度和测量精度。目前一般采用的一元正态分布异常值检测算法漏检率高,容易造成测量结果的偏差和测量精度的下降。利用人工智能算法中的局部异常因子异常值检测算法,可以在线、快速、高效地完成自主研发绝对重力测量数据的异常值检测。首先,根据实测数据构建测试数据集,利用数值模拟确定局部异常因子算法邻域宽度参数的取值;然后,基于实测数据进行异常值检测并进行结果评估。评估结果表明,局部异常因子异常值检测算法对离群程度不同、连续出现异常值等情况检测效果明显优于一元正态分布异常值检测算法,组测量精度平均提高9.37μGal,可以作为自主研发绝对重力仪异常值检测的通用算法完成组测量结果的异常值检测。(本文来源于《中国惯性技术学报》期刊2019年04期）
黄星寿,赵培信[4]（2019）在《高维线性均值漂移模型的异常值检测》一文中研究指出文章结合经验似然统计推断技术,对带有均值漂移的高维线性模型,给出了一个基于经验似然的模型异常值检测方法,该方法允许模型参数的维数随样本量的增加而趋于无穷,数据模拟表明所提出的异常值检测方法是行之有效的。(本文来源于《统计与决策》期刊2019年14期）
马深[5]（2019）在《基于多波束水深异常值剔除的海洋测绘中船体姿态改正误差分析》一文中研究指出了解海洋生境的分布和范围对于实施基于测绘系统的管理战略至关重要。历史上这有在水深异常值剔除传感器的发展之前,在海洋环境中一直很困难。使用最大似然分类器(MLC),快速、无偏、高效统计树(QUEST),随机森林(RF)和支持向量机(SVM)进行评估,以使用从水下视频观察获得的训练数据将角后向剔除响应分类为姿态改正。提出了初步结果,用于了解如何优化MBES的水深异常值剔除以表征海洋测绘正确值。实验结果表明,坐标系变换中的旋转角并非姿态角,并由此导出了两种常用旋转方式对应的旋转角,它是纵摇角和横摇角的函数。采用正确的旋转角,不同的旋转方式能够得到一致的姿态改正结果。(本文来源于《国外电子测量技术》期刊2019年07期）
贾建峰,孟亮,王立元,任伟娟[6]（2019）在《振动测试异常值的原因分析》一文中研究指出针对某型飞机在振动测试过程中,测试结果异常值的产生、筛选和剔除等问题进行原因分析。运用实验比较和类比排除的方法,论证振动传感器带电时对测试结果的影响。(本文来源于《计测技术》期刊2019年03期）
黄华东,郭张军[7]（2019）在《大坝安全监测异常值诊断方法研究》一文中研究指出针对水利工程安全监测变量之间作用机理的复杂性及监测奇异值产生的不确定性,结合人工智能技术在处理不确定性复杂信息和深度挖掘数据特征方面的优势,提出了基于人工智能技术的水利工程安全监测奇异值智能诊断方法。首先对监测数据采用莱茵达准则进行异常值识别并同时综合进行异常值成因分析并将结果数值化;然后根据奇异值位置构建包含奇异值的数据序列并将其进行标准化处理,提取标准化监测数据序列的第一主成分作为模型训练输入样本,数值化的异常值成因分析结果作为训练输出样本;最后采用卷积神经网络进行分类训练和预测,以混淆矩阵、ROC坐标、AUC值和准确率作为模型训练和预测评价指标,最后以某工程大坝水平位移监测数据为例进行实例验证分析。实例结果表明:基于人工智能技术的大坝安全监测奇异值智能诊断方法预测混淆矩阵匹配度较高、ROC坐标为(0.03,0.96)、AUC值近似为1.00、精确率为92.00%,因此其奇异值诊断预测结果良好,所建奇异值智能诊断方法具有操作方法简单、智能化程度高及可靠性强等特点,具有一定的工程应用价值。(本文来源于《中国水运(下半月)》期刊2019年06期）
李航[8]（2019）在《基于LOF的快速密度峰值聚类的电力数据异常值检测方法研究》一文中研究指出随着智能电网建设和电力系统信息化的提速,电力企业积累了体量巨大的数据,这些数据主要来源于电网的发、输、变、配、用电等五大环节。对电力数据进行分析研究对我国电网向数字化、智能化发展有着重要的意义。异常数据产生的原因主要有属性值缺失,异常用电行为,电力设备故障等。如果在对电力数据进行分析前不事先处理这些原始的污染数据,将对数据分析的准确性有很大的影响。同时,异常数据检测能够发现异常数据以及背后隐藏的信息,对电网的安全运行有着重要的参考意义。通过数据驱动的方法对电力数据进行异常检测,能够实现对电能异常状态的监测,加快电网排查异常现象的反应速度,提高了电网的稳定性,同时减少运行成本,降低电网企业的经济损失。电力数据异常值检测是电力数据研究的基础工作,目前传统的电力数据分析方法已经无法处理如此复杂且大体量的数据,寻找一种适用于处理当前电力系统数据的方法十分必要。文中对比了K-Means、基于密度的聚类和快速密度峰值聚类算法的优缺点,得出快速密度峰值聚类算法在处理电力数据时具有明显优势,故本文选择快速密度峰值聚类算法的对电力数据进行研究。在此基础上提出了一种基于局部异常因子(Local Outlier Factor,LOF)的快速密度峰值聚类算法。针对快速密度峰值聚类算法在处理形状不规则,局部密度变化较大的数据集时效果较差,且对截断距离依赖性较强的缺点,利用LOF的思想重新定义相对密度和相对距离,同时给出了异常值的判定规则。改进后的算法可以充分考虑电力数据的数据特点,并减少了对截断距离的依赖性。在对真实电力数据仿真的基础上验证了该算法的有效性,结果表明本文算法可以更好的描述电力数据的数据特点,使异常点和聚类中心点的特征更加明显。负荷曲线聚类分析在电网公司配用电方面具有重要地位,准确而快速的对负荷数据进行聚类,可以加快电力数据分析效率,是负荷预测、分时划价、用户用电行为分析等研究工作的基础。本文在利用LOF思想改进快速密度峰值算法中的相对密度和相对距离定义的基础上,针对原始算法利用人工判断的方式来选择聚类中心,导致聚类结果具有一定的不确定性,采用一种基于相对密度和相对距离二者的归一化的乘积来对聚类中心临界点进行判别的方法,从而实现自动选择聚类中心的目的。通过实验证明了所提算法的实用性和有效性。(本文来源于《兰州理工大学》期刊2019-05-20）
王敏[9]（2019）在《风电机组运行数据中异常值识别方法的研究》一文中研究指出风电场风速和功率预测的准确性由多种因素决定,其中风电运行数据的有效性、可靠性影响预测方法的实际应用效果。在实际运行过程中,由于弃风限电、传感器故障、表计误差及风机叶片受到污垢和冰等环境因素的影响,风电场采集到的实测数据中,异常数据很难避免。若将其直接作为风电预测模型的原始输入数据和分析风电对系统影响的基础数据,则会影响预测的准确性和分析结果的可靠性。本文以风电场为研究对象,对风电机组运行数据中的异常数据进行有效识别,从而为风电并网的安全、可靠运行提供有效的数据支撑。通过数据采集与监控系统(SCADA)得到的实测风速和功率数据是评估风电场经济技术水平的重要依据。从风电场收集到的实测数据中通常包含表现为数据缺失、堆积、越限等特征的异常数据点。导致数据异常的因素有在数据采集、测量、存储等过程中发生干扰或故障以及计划外检修机组、弃风限电引起的风机停机。针对风电场采集到的历史风速数据随时间呈现非平稳性变化的特征,为保证风速数据的准确性和有效性,提出了一种基于差分自回归滑动平均(auto regressive integrated moving average,ARIMA)、小波分解(wavelet decomposition,WD)和隐马尔科夫(hidden Markov model,HMM)组合算法对异常风速数据进行识别的方法。采用ARIMA模型对待采样时间序列进行拟合,得到反映风速值异常情况的拟合残差,而后对拟合残差进行小波分解,利用HMM算法的双重随机过程描述风速异常情况。通过对酒泉风电场实测风速数据分析计算,结果表明,所提算法对数据量较大的非平稳风速时间序列中异常值的识别具有有效性和可行性,可为提升风电功率预测精度和风电场优化运行提供参考。针对实测风速-功率曲线中存在的大量异常点会对风电机组的运行特性分析产生影响,利用风速和功率间存在一定的相关性,提出了基于Copula理论的风电机组异常数据识别方法。利用Copula函数建立风速和功率间相关关系的概率功率曲线,结合叁类异常数据特征得到了相应异常数据识别模型。根据酒泉风电场的实测数据进行算例分析,验证了该方法的有效性。(本文来源于《兰州理工大学》期刊2019-05-15）
周旻悦,沈润平,陈俊,王铖琳[10]（2019）在《基于像元质量分析和异常值检测的LAI时序数据S-G滤波重建研究》一文中研究指出叶面积指数Leaf Area Index(LAI)是表征植被冠层结构的一个重要参数,因大气条件等因素影响,使MODIS LAI数据产品中存在数据缺失、质量较低等问题,严重影响LAI数据集的应用。以江西省为研究区,综合利用像元质量分析、S-G滤波和年序列异常值检测滤波技术对2009～2013年MODIS LAI时序产品数据集进行重建研究。结果表明:阔叶林高质量像元占比最低,仅为51.76%,各类别低质量与反演失败像元整体占比达到20%～30%。针对数据集质量偏低的问题,提出了综合滤波方法。相较于S-G滤波法,重建后的高质量像元的LAI均值与原始均值更趋一致,中高质量像元重建后与原始数据的相关系数达到0.97,具有更好的保真性。对中低质量像元重建的异常值进行了滤波,填充了空值区,降低了标准偏差,较好地识别和修复了低值区或异常点,整体稳定性更好,能有效地拟合时序变化曲线。(本文来源于《遥感技术与应用》期刊2019年02期）
异常值论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
异常值论文参考文献
[1].梁日新,李英.企业财务风险预警体系构建——基于Themis异常值分析法[J].商业会计.2019
[2].郭战坤,金永威,梁小珍,杨明歌,汪寿阳.基于异常值检测的港口集装箱吞吐量预测模型[J].数学的实践与认识.2019
[3].吴琼,滕云田,王晓美.绝对重力测量异常值的局部异常因子检测算法[J].中国惯性技术学报.2019
[4].黄星寿,赵培信.高维线性均值漂移模型的异常值检测[J].统计与决策.2019
[5].马深.基于多波束水深异常值剔除的海洋测绘中船体姿态改正误差分析[J].国外电子测量技术.2019
[6].贾建峰,孟亮,王立元,任伟娟.振动测试异常值的原因分析[J].计测技术.2019
[7].黄华东,郭张军.大坝安全监测异常值诊断方法研究[J].中国水运(下半月).2019
[8].李航.基于LOF的快速密度峰值聚类的电力数据异常值检测方法研究[D].兰州理工大学.2019
[9].王敏.风电机组运行数据中异常值识别方法的研究[D].兰州理工大学.2019
[10].周旻悦,沈润平,陈俊,王铖琳.基于像元质量分析和异常值检测的LAI时序数据S-G滤波重建研究[J].遥感技术与应用.2019
论文知识图
