[发明专利]基于MIC和MP的数据集异常数据处理方法

权利要求书

1.基于MIC和MP的数据集异常数据处理方法，其特征在于，包括以下步骤：

S1、定义n个归属于不同类别C的始化样本数据集X{x₁,x₂,x₃...,x_n}；

S2、根据样本数据计算降维后特征空间中的类间散度和类内散度

S3、建立MIC优化目标函数W_opt，利用类间散度和类内散度得到变化后的计算表达式；

S4、最佳鉴别向量约束为单位向量，进行MIC优化目标函数的转化；

S5、对高维数据集X进行降维，通过变换获得低维特征的数据集Y；

S6、计算出低维数据集Y的均值和方差∑_Y，然后建立和α∈(0,1)的单类MP优化目标函数；

S7、利用获取的优化值创建判断新检测数据d_new是否为异常数据的函数，并将异常数据和正常数据进行分类存储。

2.根据权利要求1所述的基于MIC和MP的数据集异常数据处理方法，其特征在于，所述步骤S2具体实现方法为：定义一个线性映射：W^D×d＝[w₁,w₂,w₃,...w_d]，根据映射将高维数据X{x₁,x₂,x₃...,x_n}投影到低维特征空间Y＝{y₁,y₂,y₃,...,y_n}中：

Y＝W^TX (1)

其中D和d分别代表降维前和降维后的维数，D＞＞d，MIC的目标函数为：

tr()代表矩阵的迹，表示降维后特征空间中的类间散度，表示降维后特征空间中的类内散度，Z_b、Z_w分别表示原始样本中的类间散度和类内散度，其计算表达式如下：

3.根据权利要求1所述的基于MIC和MP的数据集异常数据处理方法，其特征在于所述步骤S3具体实现方法，通过计算出的类间散度和类内散度创建MIC的优化目标函数，将表达式(3)和(4)引入(2)中得到变化的优化目标函数，具体计算公式如下：

4.根据权利要求1所述的基于MIC和MP的数据集异常数据处理方法，其特征在于，所述步骤S4具体实现方法为：为了规避小样本问题并且保持原始数据形状不发生大的变化，最佳鉴别向量W约束为单位向量：其优化目标函数泛化方程式为：

约束条件有：

其中W＝[w₁,w₂,w₃,...,w_d]表示MIC的最优鉴别向量值。

5.根据权利要求1所述的基于MIC和MP的数据集异常数据处理方法，其特征在于，所述步骤S5具体实现方法为：针对高维数据集X{x₁,x₂,x₃...,x_n}进行变换处理获得低维特征的数据集Y＝{y₁,y₂,y₃...y_n}，计算公式为：

y_i＝W^Tx_y (7)

其中如下公式表示MIC最优鉴别向量：

W＝[w₁,w₂,w₃...w_d] (8)。