Density Clustering Framework in dati non supervisionati

Il rilevamento delle anomalie un problema fondamentale nel data mining, in particolare stato utilizzato per rilevare e rimuovere oggetti anomali dai dati. I casi anomali sono dovuti a guasti meccanici, cambiamenti nel comportamento del sistema, comportamenti fraudolenti, intrusioni nella rete o errori umani. Un efficiente rilevamento di outlier e capacit di clustering dei dati in presenza di outlier e basato sul filtraggio dei dati dopo il processo di clustering. L'algoritmo proposto rileva gli esperimenti outlier in tre fasi: (i) Saliency Detection in Images; (ii) Abnormal Event Detection in Video Streams; e (iii) Real-world UCI benchmark datasets.L'obiettivo principale di questo studio una rimozione iterativa degli oggetti, che sono lontani dai loro centriidi del cluster. La rimozione avviene in base ad una scelta tra le soglie predefinite.Il quadro formale in cui possono essere date definizioni accurate di combinazioni sparse e la logica Fuzzy proposta per scoprire relazioni non lineari pu essere rigorosamente analizzata.