【正文】 算結(jié)果，系列2表示異常點(diǎn)計(jì)算結(jié)果 5個(gè)隱層實(shí)驗(yàn)結(jié)果 15個(gè)隱層實(shí)驗(yàn)結(jié)果 單位：個(gè)數(shù)分區(qū)正常點(diǎn)計(jì)算分布004555762510201086409200異常點(diǎn)分布002223667704100 25個(gè)隱層實(shí)驗(yàn)結(jié)果 單位：個(gè)數(shù)分區(qū)正常點(diǎn)分布1146211843259700000異常點(diǎn)分布90109298200000（單位：縱軸個(gè)數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個(gè)數(shù)；系列1表示非異常點(diǎn)計(jì)算結(jié)果，系列2表示異常點(diǎn)計(jì)算結(jié)果 15個(gè)隱層實(shí)驗(yàn)結(jié)果（單位：縱軸個(gè)數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個(gè)數(shù)；系列1表示非異常點(diǎn)計(jì)算結(jié)果，系列2表示異常點(diǎn)計(jì)算結(jié)果 25個(gè)隱層實(shí)驗(yàn)結(jié)果、 、數(shù)據(jù)依然呈現(xiàn)之前實(shí)驗(yàn)地分布情況，不是BP算法隱層太多地問題。 5個(gè)隱層實(shí)驗(yàn)結(jié)果 單位:個(gè)數(shù)分區(qū)正常點(diǎn)分布0000207349560000異常點(diǎn)分布0000122188000 15個(gè)隱層實(shí)驗(yàn)結(jié)果 單位:個(gè)數(shù)分區(qū)正常點(diǎn)分布427133616173681130000異常點(diǎn)分布43851028000000 25個(gè)隱層實(shí)驗(yàn)結(jié)果 單位:個(gè)數(shù)分區(qū)正常點(diǎn)計(jì)算分布00031614039911491829226異常點(diǎn)分布0000385079899（單位：縱軸個(gè)數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個(gè)數(shù)；系列1表示非異常點(diǎn)計(jì)算結(jié)果，系列2表示異常點(diǎn)計(jì)算結(jié)果 5個(gè)隱層實(shí)驗(yàn)結(jié)果（單位：縱軸個(gè)數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個(gè)數(shù)；系列1表示非異常點(diǎn)計(jì)算結(jié)果，系列2表示異常點(diǎn)計(jì)算結(jié)果 15個(gè)隱層實(shí)驗(yàn)結(jié)果（單位：縱軸個(gè)數(shù)，）注：，橫軸表示0到1區(qū)間，縱軸表示個(gè)數(shù)；系列1表示非異常點(diǎn)計(jì)算結(jié)果，系列2表示異常點(diǎn)計(jì)算結(jié)果 25個(gè)隱層實(shí)驗(yàn)結(jié)果數(shù)據(jù)分布一樣，無(wú)法區(qū)分。出于簡(jiǎn)化方案，只訓(xùn)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(jié)束條件教師信號(hào)與實(shí)際輸出相差絕對(duì)值 300次?？?0組，17組正常數(shù)據(jù)，3組異常。計(jì)算第二組生成地隨機(jī)測(cè)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(diǎn)計(jì)算結(jié)果都是，很難獲得一個(gè)較高準(zhǔn)確率地檢測(cè)方案，數(shù)據(jù)較集中分布狀況一樣，無(wú)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(shí)對(duì)于出現(xiàn)特征交叉的問題，比如數(shù)據(jù)組A的前幾個(gè)屬性和B數(shù)據(jù)組前幾個(gè)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(duì)與這種情況很難處理。假設(shè)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)做異常點(diǎn)檢測(cè)，實(shí)際應(yīng)用則采用BP充當(dāng)分類器，并且根據(jù)特征采用多分類器結(jié)構(gòu)，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(cè)到異常數(shù)據(jù)，同時(shí)配合專家決策系統(tǒng)能夠使結(jié)果更具實(shí)際地準(zhǔn)確性，而不是單純地?cái)?shù)據(jù)異常準(zhǔn)確性。對(duì)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(luò)融合，即多神經(jīng)網(wǎng)絡(luò)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(xì)心的指導(dǎo)和不懈的支持。也是一步步支持我能夠圓滿結(jié)題地推動(dòng)力。后期實(shí)驗(yàn)出現(xiàn)了問題，在老師指導(dǎo)下才知道如何論證本算法地可行性，并支持了我設(shè)計(jì)上地一些問題。.[7] Tom . 機(jī)器學(xué)習(xí)[M]. 北京：機(jī)械工業(yè)出版社，2002：6090.[8] Jiawei Han. 數(shù)據(jù)挖掘概念與技術(shù)[M]. 北京：機(jī)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(xué)習(xí)率的性能分析[A].成都:四川大學(xué)高速水力學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)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(cè)算法分析[J]. 計(jì)算機(jī)工程，2002，28(6):56,32.[13] 鄢團(tuán)軍,劉勇. 孤立點(diǎn)檢測(cè)算法與應(yīng)用[J]. 三峽大學(xué)學(xué)報(bào)(自然科學(xué)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(cè)算法[J]. 河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，38(3)：3840.[15] 張寧. 離群點(diǎn)檢測(cè)算法研究[J]. 桂林電子科技大學(xué)學(xué)報(bào),2009,29(1):2225.致 謝本論文是在我的指導(dǎo)老師王麗娟老師的親切關(guān)懷和悉心指導(dǎo)下完成的。對(duì)于未知數(shù)據(jù)特征可以報(bào)警，通過人工干預(yù)使系統(tǒng)學(xué)習(xí)到新特征，或者自動(dòng)控制地方法學(xué)習(xí)。同時(shí)對(duì)于超出已知范疇特性地?cái)?shù)據(jù)，進(jìn)行保存處理，訓(xùn)練出新的神經(jīng)網(wǎng)絡(luò)，同時(shí)通過人工專家系統(tǒng)進(jìn)行更新?？偨Y(jié)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(diǎn)檢測(cè)需要考慮很多因素，并且需要做很多輔助工作。當(dāng)然實(shí)際應(yīng)用還會(huì)出現(xiàn)其他很多需要解決地問題。 測(cè)試訓(xùn)練收斂與否（每個(gè)點(diǎn)代表一個(gè)結(jié)果），對(duì)于區(qū)別單一、兩類特征數(shù)據(jù)，還是具備相當(dāng)?shù)乜尚行?。而是由于?shù)據(jù)特征相似性太大，只有一兩個(gè)屬性相異來分類。 根據(jù)上面實(shí)驗(yàn)，總地來說在實(shí)際異常點(diǎn)檢測(cè)上面，單純BP神經(jīng)網(wǎng)未能達(dá)到預(yù)期異常點(diǎn)檢測(cè)地效果，不管異常非異常在訓(xùn)練后，計(jì)算結(jié)果分布都呈現(xiàn)難以區(qū)分判斷地現(xiàn)象。 測(cè)試訓(xùn)練收斂與否（每個(gè)點(diǎn)代表一個(gè)結(jié)果）根據(jù)上面結(jié)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(xùn)練集合地特征。17，18，19為異常數(shù)據(jù)。（4） 隨機(jī)生成具備(1)特征地另一組數(shù)據(jù)，采用（2）已經(jīng)訓(xùn)練地權(quán)值，進(jìn)行計(jì)算測(cè)試，查看分析結(jié)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(jī)生成具備兩類特征數(shù)據(jù)。4000組測(cè)試數(shù)據(jù)。同時(shí)也可看到與上面實(shí)驗(yàn)一樣結(jié)果，證明不是算法問題，而是數(shù)據(jù)特征不好區(qū)分。 實(shí)驗(yàn)方式主要通過對(duì)訓(xùn)練數(shù)據(jù)庫(kù)地訓(xùn)練，然后采用測(cè)試數(shù)據(jù)庫(kù)進(jìn)行測(cè)試統(tǒng)計(jì)，實(shí)驗(yàn)一方案采用組測(cè)試數(shù)據(jù)與原訓(xùn)練數(shù)據(jù)庫(kù)4000組兩兩計(jì)算，然后求和，結(jié)果為與元數(shù)據(jù)庫(kù)整體相異地程度?？v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(qiáng)地交叉特征。，剛好是已知異常點(diǎn)個(gè)數(shù)。觀察測(cè)試數(shù)據(jù)庫(kù)計(jì)算分布結(jié)果分布情況，并統(tǒng)計(jì)分布情況（. ）。訓(xùn)練強(qiáng)度不要太大，以便避免無(wú)法發(fā)現(xiàn)局部異常特征地?cái)?shù)據(jù)。：多神經(jīng)網(wǎng)絡(luò)各種形式訓(xùn)練及其決策用一個(gè)神經(jīng)網(wǎng)絡(luò)表示異常點(diǎn)地特征，教師信號(hào)1；用另一個(gè)異常點(diǎn)表示非異常點(diǎn)地特征。正態(tài)分布地兩邊。實(shí)驗(yàn)結(jié)果失敗。訓(xùn)練完后，保存訓(xùn)練權(quán)值。為盡量得出可區(qū)分地?cái)?shù)據(jù)，強(qiáng)化局部異常點(diǎn)特性。第三，數(shù)據(jù)特征不顯著。然后又對(duì)測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)庫(kù)，進(jìn)行相似性求和，對(duì)比測(cè)試數(shù)據(jù)中異常點(diǎn)與非異常點(diǎn)與訓(xùn)練數(shù)據(jù)庫(kù)地相似性和，依然沒有區(qū)分度。具體方式，對(duì)已知數(shù)據(jù)集做兩兩訓(xùn)練，比如數(shù)據(jù)X和Y，做差fabsf(Xi Yi),然后輸入一個(gè)BP神經(jīng)網(wǎng)絡(luò)，已知數(shù)據(jù)庫(kù)中第86個(gè)屬性,(X 86,Y86)對(duì)應(yīng)為（0，0）則教師信號(hào)為1，(1，1)則教師信號(hào)為1，(0,1)則為0，部分順序。在神經(jīng)網(wǎng)絡(luò)則表示為兩者整體特征差異大小。反向傳播算法在網(wǎng)絡(luò)規(guī)模較大時(shí)計(jì)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(shí)采用了加入動(dòng)量項(xiàng)的方法： （） 稱為動(dòng)量因子，這樣后一次的權(quán)值更新適當(dāng)考慮上一次的權(quán)值更新，可以改善收斂特性。訓(xùn)練教師信號(hào)，按具體方案處理設(shè)定。，隱層感知器根據(jù)實(shí)際數(shù)據(jù)庫(kù)的屬性確定，一般少于等于屬性個(gè)數(shù)，輸出層一個(gè)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(quán)值修正為： ()