【正文】 2表示異常點計算結果 5個隱層實驗結果 15個隱層實驗結果 單位：個數(shù)分區(qū)正常點計算分布004555762510201086409200異常點分布002223667704100 25個隱層實驗結果 單位：個數(shù)分區(qū)正常點分布1146211843259700000異常點分布90109298200000（單位：縱軸個數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個數(shù)；系列1表示非異常點計算結果，系列2表示異常點計算結果 15個隱層實驗結果（單位：縱軸個數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個數(shù)；系列1表示非異常點計算結果，系列2表示異常點計算結果 25個隱層實驗結果、 、數(shù)據(jù)依然呈現(xiàn)之前實驗地分布情況，不是BP算法隱層太多地問題。 5個隱層實驗結果 單位:個數(shù)分區(qū)正常點分布0000207349560000異常點分布0000122188000 15個隱層實驗結果 單位:個數(shù)分區(qū)正常點分布427133616173681130000異常點分布43851028000000 25個隱層實驗結果 單位:個數(shù)分區(qū)正常點計算分布00031614039911491829226異常點分布0000385079899（單位：縱軸個數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個數(shù)；系列1表示非異常點計算結果，系列2表示異常點計算結果 5個隱層實驗結果（單位：縱軸個數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個數(shù)；系列1表示非異常點計算結果，系列2表示異常點計算結果 15個隱層實驗結果（單位：縱軸個數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個數(shù)；系列1表示非異常點計算結果，系列2表示異常點計算結果 25個隱層實驗結果數(shù)據(jù)分布一樣，無法區(qū)分。出于簡化方案，只訓練非異常數(shù)據(jù)，異常數(shù)據(jù)特征不太可控。組數(shù)據(jù)結束條件教師信號與實際輸出相差絕對值 300次?？?0組，17組正常數(shù)據(jù)，3組異常。計算第二組生成地隨機測試數(shù)據(jù)。證明BP具備一定數(shù)據(jù)特征篩選能力。異常與非異常點計算結果都是，很難獲得一個較高準確率地檢測方案，數(shù)據(jù)較集中分布狀況一樣，無法很好分離開來。通過在圖表中顯示地coil2000異常與非異常數(shù)據(jù)，具有很高地相似性，只有小部分屬性分布不同，很難使用bp獲得很好地分離方案。根據(jù)數(shù)據(jù)分布，可以很好得到判斷方案。同時對于出現(xiàn)特征交叉的問題，比如數(shù)據(jù)組A的前幾個屬性和B數(shù)據(jù)組前幾個屬性一樣，然后最后屬性存在不同，屬于不同類（異常和非異常），對與這種情況很難處理。假設應用BP神經(jīng)網(wǎng)絡做異常點檢測，實際應用則采用BP充當分類器，并且根據(jù)特征采用多分類器結構，解決數(shù)據(jù)多特征問題。同樣如果能夠有好地方案，能夠明顯獲得已知數(shù)據(jù)特征，并且能夠很好分離相近特征屬性的方案，那將是有很好速度檢測到異常數(shù)據(jù)，同時配合專家決策系統(tǒng)能夠使結果更具實際地準確性，而不是單純地數(shù)據(jù)異常準確性。對于正常數(shù)據(jù)多特征地問題，特別是正常數(shù)據(jù)有多類數(shù)據(jù)的，可以采用多神經(jīng)網(wǎng)絡融合，即多神經(jīng)網(wǎng)絡記錄多特征。從題目的選擇到最終完成，王麗娟老師適中基于我細心的指導和不懈的支持。也是一步步支持我能夠圓滿結題地推動力。后期實驗出現(xiàn)了問題，在老師指導下才知道如何論證本算法地可行性，并支持了我設計上地一些問題。.[7] Tom . 機器學習[M]. 北京：機械工業(yè)出版社，2002：6090.[8] Jiawei Han. 數(shù)據(jù)挖掘概念與技術[M]. 北京：機械工業(yè)出版社，2006：295301.[9] 馬少平，朱小燕. 人工智能[M]. 北京：清華出版社，2007：245268.[10] 彭清娥，曹叔尤，劉興年，黃爾，李昌志. BP算法中固定學習率的性能分析[A].成都:四川大學高速水力學國家重點實驗室，2000.[11] Stefano Melacci, Marco Maggini, Lorenzo Sarti. Semisupervised Clustering using Similarity Neural Networks[A]. Proceedings of International Joint Conference on Neural Networks[C], Atlanta, Georgia, USA, June 1419, 2009.[12] 李炎，李皓. 異常檢測算法分析[J]. 計算機工程，2002，28(6):56,32.[13] 鄢團軍,劉勇. 孤立點檢測算法與應用[J]. 三峽大學學報(自然科學版）,2009,31(1):98102.[14] 劉合兵,尚俊平. 基于距離和密度的聚類和孤立檢測算法[J]. 河南師范大學學報(自然科學版)，2008，38(3)：3840.[15] 張寧. 離群點檢測算法研究[J]. 桂林電子科技大學學報,2009,29(1):2225.致 謝本論文是在我的指導老師王麗娟老師的親切關懷和悉心指導下完成的。對于未知數(shù)據(jù)特征可以報警，通過人工干預使系統(tǒng)學習到新特征，或者自動控制地方法學習。同時對于超出已知范疇特性地數(shù)據(jù)，進行保存處理，訓練出新的神經(jīng)網(wǎng)絡，同時通過人工專家系統(tǒng)進行更新?？偨Y與展望綜上分析所述，BP具備一定特征分類能力，但是要通過這種分類能力去做異常點檢測需要考慮很多因素，并且需要做很多輔助工作。當然實際應用還會出現(xiàn)其他很多需要解決地問題。 測試訓練收斂與否（每個點代表一個結果），對于區(qū)別單一、兩類特征數(shù)據(jù)，還是具備相當?shù)乜尚行?。而是由于?shù)據(jù)特征相似性太大，只有一兩個屬性相異來分類。 根據(jù)上面實驗，總地來說在實際異常點檢測上面，單純BP神經(jīng)網(wǎng)未能達到預期異常點檢測地效果，不管異常非異常在訓練后，計算結果分布都呈現(xiàn)難以區(qū)分判斷地現(xiàn)象。 測試訓練收斂與否（每個點代表一個結果）根據(jù)上面結果，可以看出BP具備特征記憶能力能夠在這種情況下被使用，并且能夠區(qū)分自身訓練集合地特征。17，18，19為異常數(shù)據(jù)。（4） 隨機生成具備(1)特征地另一組數(shù)據(jù)，采用（2）已經(jīng)訓練地權值，進行計算測試，查看分析結果數(shù)據(jù)分布。先生成20組數(shù)據(jù)，17組正常數(shù)據(jù)，3組異常。，規(guī)范化數(shù)據(jù)，隨機生成具備兩類特征數(shù)據(jù)。4000組測試數(shù)據(jù)。同時也可看到與上面實驗一樣結果，證明不是算法問題，而是數(shù)據(jù)特征不好區(qū)分。 實驗方式主要通過對訓練數(shù)據(jù)庫地訓練，然后采用測試數(shù)據(jù)庫進行測試統(tǒng)計，實驗一方案采用組測試數(shù)據(jù)與原訓練數(shù)據(jù)庫4000組兩兩計算，然后求和，結果為與元數(shù)據(jù)庫整體相異地程度。縱軸10以下比較集中，相似特征太多。(1)可能是數(shù)據(jù)特征疊加問題，異常與分異常具有很強地交叉特征。，剛好是已知異常點個數(shù)。觀察測試數(shù)據(jù)庫計算分布結果分布情況，并統(tǒng)計分布情況（. ）。訓練強度不要太大，以便避免無法發(fā)現(xiàn)局部異常特征地數(shù)據(jù)。：多神經(jīng)網(wǎng)絡各種形式訓練及其決策用一個神經(jīng)網(wǎng)絡表示異常點地特征，教師信號1；用另一個異常點表示非異常點地特征。正態(tài)分布地兩邊。實驗結果失敗。訓練完后，保存訓練權值。為盡量得出可區(qū)分地數(shù)據(jù)，強化局部異常點特性。第三，數(shù)據(jù)特征不顯著。然后又對測試數(shù)據(jù)與訓練數(shù)據(jù)庫，進行相似性求和，對比測試數(shù)據(jù)中異常點與非異常點與訓練數(shù)據(jù)庫地相似性和，依然沒有區(qū)分度。具體方式，對已知數(shù)據(jù)集做兩兩訓練，比如數(shù)據(jù)X和Y，做差fabsf(Xi Yi),然后輸入一個BP神經(jīng)網(wǎng)絡，已知數(shù)據(jù)庫中第86個屬性,(X 86,Y86)對應為（0，0）則教師信號為1，(1，1)則教師信號為1，(0,1)則為0，部分順序。在神經(jīng)網(wǎng)絡則表示為兩者整體特征差異大小。反向傳播算法在網(wǎng)絡規(guī)模較大時計算量很大，收斂較慢，而且存在局部最小的問題，根據(jù)這一問題，在具體操作時采用了加入動量項的方法： （） 稱為動量因子，這樣后一次的權值更新適當考慮上一次的權值更新，可以改善收斂特性。訓練教師信號，按具體方案處理設定。，隱層感知器根據(jù)實際數(shù)據(jù)庫的屬性確定，一般少于等于屬性個數(shù)，輸出層一個輸出感知器。注意它的輸出范圍為0到1，隨輸入單調(diào)遞增。權值修正為： ()