%0 Journal Article
%T Wavlet Transform-based Outlier Mining<br>基于小波变换的例外挖掘
%A 周丽华
%A 王丽珍
%J 计算机科学
%D 2002
%I 
%X 1 引言例外常常是指数据集中远远偏离其它对象的那些小比例对象,在大多数研究中作为噪声被遗弃。但是在一些应用中,例外的检测能为我们提供比较重要的信息,使我们发现一些真实而又出乎预料的知识,具有很高的实用价值,如文挖掘了时序数据中的例外,从而在存储容量相同的情况下,可以获得对原始序列更精确的表示。目前例外挖掘方法可以广义地分为3类:基于分布的方法、基于深度的方法及基于距离的方法。基于深度的方法避免了基于分布的方法中的分布适应性问题,扩展了例外挖掘的应用,但已有的基于深度的方法只有在数据维数k≤2时,效果才被人们接受。基于距离的方法不受数据维数的限制,超越了数据空间,它仅仅依赖于米制距离函数的距离值计算。
%K 数据库
%K 数据挖掘
%K 时序数据
%K 小波变换
%K 例外挖掘
%U http://www.alljournals.cn/get_abstract_url.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=64A12D73428C8B8DBFB978D04DFEB3C1&aid=C77EA3B4C1EEAE24&yid=C3ACC247184A22C1&vid=771469D9D58C34FF&iid=0B39A22176CE99FB&sid=B344543C2864D684&eid=28F8B56DB6BEE30E&journal_id=1002-137X&journal_name=计算机科学&referenced_num=0&reference_num=8