基于回归的多层数据立方体中的异常发现算法

• 论文 •

基于回归的多层数据立方体中的异常发现算法

胡孔法，丁有伟，陈崚，宋爱波

1.扬州大学信息工程学院,江苏扬州225009；2.东南大学计算机科学与工程学院,江苏南京210096

出版日期:2009-12-15 发布日期:2009-12-25

Regression-based exceptions finding algorithm in multi-level data cube

HU Kong-fa, DING You-wei, CHEN Ling, SONG Ai-bo

1.College of Information Engineering, Yangzhou University, Yangzhou 225009, China;2.School of Computer Science & Engineering, Southeast University, Nanjing 210096, China

Online:2009-12-15 Published:2009-12-25

摘要/Abstract

摘要： 为了快速有效地挖掘数据立方体中的数据，提出了阈值异常和区间异常两种基于回归分析的异常发现方法，根据回归系数帮助用户快速地找出数据单元内的异常数据。阈值异常方法通过比较数据的规格化残差和用户给定的偏差阈值来发现异常数据。区间异常方法通过比较数据点的残差绝对值和置信区间来发现异常数据。最后，对这些算法的性能进行了分析，理论分析和实验结果验证了这两种算法的有效性。

关键词: 数据挖掘, 数据立方体, 回归分析, 异常发现, 阈值, 置信区间

Abstract: To mine data in data cube rapidly and effectively, two exception finding algorithms based on regression analysis were proposed，which used threshold and confidence interval respectively. By regression coefficient, users could find the exceptions in the data cells quickly. Data was considered as an exception by comparing its normal residual to the users specified threshold in the process of threshold exception, while comparing the absolute value of residual to the confidence interval in the process of interval exception. Performances of these two algorithms were analyzed, and their validity & efficiency were verified by experiment.

Key words: data mining, data cube, regression analysis, exception finding, threshold, confidence interval

中图分类号:

TP311

胡孔法，丁有伟，陈崚，宋爱波. 基于回归的多层数据立方体中的异常发现算法[J]. .

HU Kong-fa, DING You-wei, CHEN Ling, SONG Ai-bo. Regression-based exceptions finding algorithm in multi-level data cube[J]. .

[1]	田钰. 基于多元特征感知网络的高考成绩预测[J]. 计算机集成制造系统, 2021, 27(9): 2741-2748.
[2]	王春雨,蒋祖华,王福华,吉永军,江辉. 面向工业软件开发的半结构化知识语义检索方法[J]. 计算机集成制造系统, 2021, 27(8): 2371-2381.
[3]	赵文浩,邢香园,王治,万峰,吴剑锋,陈瑞启. 基于知识挖掘的航天产品装配工时定额和管理系统[J]. 计算机集成制造系统, 2021, 27(6): 1594-1604.
[4]	朱永国,邓斌,霍正书,马国祥. 检测数据和专家知识混合驱动的小样本飞机结构件装配粗差判定[J]. 计算机集成制造系统, 2021, 27(12): 3462-3474.
[5]	彭宝营,单忠德,刘丰,侯明鹏,戴文强. 数字化铸造砂型五轴联动成形控制技术研究[J]. 计算机集成制造系统, 2020, 26(9): 2321-2330.
[6]	张忠平,邱敬仰,刘丛,朱梦凡,章德斌. 基于聚类离群因子和相互密度的离群点检测算法[J]. 计算机集成制造系统, 2019, 25(第9): 2314-2323.
[7]	李文川,章鑫,高思源. 制造/再制造企业RFID技术采纳的投资决策分析[J]. 计算机集成制造系统, 2019, 25(第8): 2079-2086.
[8]	张建华,蔡灿,刘璇,张明路. 基于二阶前馈外力观测器的机械臂碰撞策略[J]. 计算机集成制造系统, 2019, 25(第7): 1775-1783.
[9]	刘颖超,胡小锋,刘梦湘. 多工序下刀具磨损的不完备信息系统数据挖掘[J]. 计算机集成制造系统, 2019, 25(第5): 1055-1061.
[10]	张艳,陈洪根,张国辉,王国东. VSSI EWMA均值控制图和预防维修联合经济设计模型[J]. 计算机集成制造系统, 2019, 25(第10): 2599-2608.
[11]	柳青秀,马红占,褚学宁,马斌彬,王峥. 基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测[J]. 计算机集成制造系统, 2019, 25(12): 3209-3219.
[12]	魏志杰,金涛,王建民. 基于临床数据挖掘的医疗过程异常发现方法及应用[J]. 计算机集成制造系统, 2018, 24(第7): 1631-1641.
[13]	王武礼,段黎明,王浩宇,白洋. 基于动态误差控制和PSO的三角网格模型简化优化方法[J]. 计算机集成制造系统, 2018, 24(第1): 63-71.
[14]	郭建,徐宗昌,孙寒冰. 基于比例风险模型的装备机会维修阈值优化[J]. 计算机集成制造系统, 2017, 23(第12): 2622-2629.
[15]	李聪波,肖卫洪,杜彦斌,顾小进,穆安勇. 基于改进ICP算法的损伤零部件精确配准方法[J]. 计算机集成制造系统, 2016, 22(第4期): 1020-1028.