基于D-S证据理论的无监督异常检测算法

摘要

在实际应用中，当数据集缺少真实标签或正常点数据量不足时，可能导致一分类支持向量机处于无监督情况。此外，当训练集中包含异常数据时，一分类支持向量机生成的决策边界将偏斜至异常数据区域。上述问题降低了异常数据的检测率，并导致分类器的性能变差。为了解决上述问题，基于K近邻算法将数据集分为可疑正常点数据集与可疑离群点数据集。其中，可疑正常点数据集用于一分类支持向量机训练与建模，对于可疑离群点数据集则采用D-S证据理论来识别其中的正常数据。实验结果表明：基于D-S理论的无监督异常检测算法可以有效地分离正常点与异常点，该算法在整体数据集上A_uc均值达到了0.83,且在可疑离群点数据集上A_uc均值达到了0.883。

关键词

离群点检测 / 一分类支持向量机 / Dempster-Shafer证据理论 / 无监督学习