Density Clustering Framework in Unsupervised Data

Anomaliedetectie is een fundamenteel probleem in de datamining, met name om abnormale objecten te detecteren en uit de gegevens te verwijderen. Uitschieters ontstaan door mechanische fouten, veranderingen in het systeemgedrag, frauduleus gedrag, netwerkintrusies of menselijke fouten. Een efficiënte outlier detectie en data clustering mogelijkheden in de aanwezigheid van outliers, en gebaseerd op het filteren van de gegevens na het clustering proces. Het voorgestelde algoritme detecteert de outlier-experimenten in drie fasen, namelijk (i) Saliency Detection in Images; (ii) Abnormal Event Detection in Video Streams; en (iii) Real-world UCI benchmark datasets. Het hoofddoel van deze studie is een iteratieve verwijdering van objecten, die ver verwijderd zijn van hun cluster centroïden. De verwijdering gebeurt volgens een gekozen uit de voorgedefinieerde drempelwaarde.Het formele kader waarin nauwkeurige definities van schaarse combinaties kunnen worden gegeven, en Fuzzy-logica wordt voorgesteld voor het ontdekken van niet-lineaire relaties kan rigoureus worden geanalyseerd.