《基于多维滑窗的异常数据检测方法》PDF+DOC
作者:花青,许国艳,张叶
单位:四川省计算机学会;中国科学院成都分院
出版:《计算机应用》2015年第11期
页数:5页 (PDF与DOC格式可能不同)
PDF编号:PDFJSJY2015110220
DOC编号:DOCJSJY2015110229
下载格式:PDF + Word/doc 文字可复制、可编辑
《自平衡机器人中数据融合算法的研究与实现》PDF+DOC2016年第08期 吕传龙,曹华杰,刘浩东
《断路器控制系统中的异常数据检测》PDF+DOC2014年第09期 陈力,唐向红
《改进型自适应无迹卡尔曼姿态算法》PDF+DOC2017年第10期 侯江宽,马珺,贾华宇
《一种基于数据融合的组合式温度传感器》PDF+DOC2016年第07期 胡乃平,丁纪祥
《卡尔曼滤波与多传感器数据融合研究》PDF+DOC2019年第12期 李妍,张琦,王藤锦
《基于联合卡尔曼滤波的汽车防碰撞多传感器信息融合方法》PDF+DOC2011年第03期 孔金生,张西雅,崔盈慧
《基于极大后验原理的非线性系统传感器故障估计》PDF+DOC2011年第S1期 钱默抒,姜斌,杨浩,高志峰
《改进卡尔曼算法在电子鼻信号处理中的应用》PDF+DOC2009年第12期 屈剑锋,柴毅,郭茂耘,石为人
《传感器网络中异常数据实时检测算法》PDF+DOC2007年第18期 谭义红,林亚平,董婷,周四望,罗立
《基于惯性—地磁组合的运动体姿态测量算法分析》PDF+DOC2014年第06期 戎海龙,彭翠云,马正华
随着数据流的广泛运用,数据流中异常数据的检测问题也引起了更多的关注。现有的卡尔曼滤波算法需要的历史数据量虽然小,但只适用于单个异常点的检测,对于复杂连续的异常值检测效果较差。针对这个问题,提出一种水文传感器分级标注模型,并在此基础上提出一种基于多维影响因子的卡尔曼滤波算法,加入空间、时间、起源三个维度的影响因子,在天气和汛期等影响因素改变时,对系统模型的控制参数进行适当调整,并且对测量噪声进行更加准确的估计,提高异常检测的准确性。实验结果证明,所提算法在保证运行时间相近的前提下,检测的错误率远低于基于遗忘因子的卡尔曼(AKF)算法和基于小波的卡尔曼(WKF)算法。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。