Density Clustering Framework in unberwachten Daten

Die Erkennung von Anomalien ist ein grundlegendes Thema im Data Mining, insbesondere wurde sie zur Erkennung und Entfernung anomaler Objekte aus Daten verwendet. Ausreier entstehen durch mechanische Defekte, nderungen im Systemverhalten, betrgerisches Verhalten, Netzwerkeinbrche oder menschliches Versagen. Eine effiziente Ausreiererkennung und Datenclusterung bei Vorhandensein von Ausreiern und basierend auf der Filterung der Daten nach dem Clustering-Prozess. Der vorgeschlagene Algorithmus erkennt die Ausreier in drei Stufen, nmlich (i) Saliency Detection in Bildern; (ii) Abnormal Event Detection in Video Streams; und (iii) Real-world UCI benchmark datasets.The Hauptziel dieser Studie ist eine iterative Entfernung von Objekten, die weit von ihren Cluster-Zentren entfernt sind. Die Entfernung erfolgt nach einem ausgewhlten, vordefinierten Schwellenwert.Der formale Rahmen, in dem genaue Definitionen von sprlichen Kombinationen gegeben werden knnen, und Fuzzy-Logik wird vorgeschlagen, um nicht-lineare Beziehungen zu entdecken, kann rigoros analysiert werden.