[发明专利]一种基于ELM-HierarchicalClustering的离群点检测方法

摘要

一种基于ELM‑Hierarchical Clustering的离群点检测方法，通过ELM特征映射，把样本空间映射到一个高维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，然后利用Hierarchical Clustering方法对高维特征空间中的样本进行聚类分析，进而筛选出离群点。本发明的优点是1、采用的ELM特征映射是一种显示映射方法，简便易行且使数据变得线性可分。2、能够避免Hierarchical Clustering方法的“维数灾难”，在提高原始数据的线性可分性和控制特征空间维数之间找到了一个很好的平衡点。3、可有效地提高检测精度。

主权项

一种基于ELM‑Hierarchical Clustering的离群点检测方法，其特征在于：具体步骤如下：(1)对于N个需要进行聚类的原始数据{x1,x2,…,xN}(xi∈Rn)，其中xi＝[xi1,xi2,…,xin]∈Rn，取定隐层神经元个数为L；(2)生成随机数输入权向量wi和偏置bi。wi和bi是隐层神经元的学习参数，其中wi＝[wi1,wi2,…,win]T是第i个隐层神经元与输入神经元之间的权向量，bi是第i个隐层神经元的偏差,wi×x表示wi和x在Rn的内积；(3)选择激活函数g(x)，如：sigmoid与threshold函数，G(wi,bi,x)是对应于输入x的第i个隐层神经元的输出,G(wi,bi,x)可以表示为：G(wi,bi,x)＝g(wi·x+bi)，当激活函数g(x)为RBF神经元时,G(wi,bi,x)可以表示为：G(wi,bi,x)＝g(bi||x‑wi||)，其中wi和bi是第i个RBF神经元的中心和宽度因子,R+是所有正实数的集合；(4)计算神经网络的隐层输出矩阵H，H(w1,...,wL,b1,...,bL,x1,...,xN)=G(w1,b1,x1)...G(wL,bL,x1).........G(w1,b1,xN)...G(wL,bL,xN)N×L]]>其中：H的第i列就是相对于输入x1,x2,…,xN的第i个隐层神经元输出向量，且H的第j行就是相对于输入xj的隐层权值输出向量；(5)应用Hierarchical Clustering方法对H进行聚类分析；(6)筛选离群点，丢弃远离其他簇的小簇。