基于K-means聚类的WSN异常数据检测算法分析
本文以K-means聚类为理论基础,参照无线设备的数据特征,以欧式距离为参数类型,对比数据相似性,制定有效的聚类方案,排查异常数据.经测算实践发现:数据量大于1000后,相比噪声密度算法,K-means方法的异常数据测定灵敏性较高,误报次数较少;将K-means方法用于车辆生产、供应商管理等程序中,表现出较强的异常数据测定能力,可显著增强企业决策管理的科学性.
K-means聚类、数据
TP39;TN929.5;TP274
2022-11-08(万方平台首次上网日期,不代表论文的发表时间)
共3页
107-109