Granular Ball Computing (GBC)

原创

于 2023-10-07 14:06:28 发布 · 1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#粒计算 #异常检测

本文介绍了粒球计算（GBC）在模糊粗糙集框架下如何应用于异常检测和特征选择。通过粒球模糊集减少输入样本，提升训练效率，同时粒球的大小可根据具体情况进行调整，以增强对噪声数据的鲁棒性。在特征选择中，使用基于粒球的模糊粗糙集，以应对标签分布学习中的不确定性。粒球的生成采用k-means聚类算法，通过粒球的纯度来决定是否继续划分。此外，粒球的中心点作为其隶属度参与训练，简化了计算。在无标签数据的异常检测中，粒球计算借鉴了模糊粗糙集的思路，但直接处理数值数据，避免离散化带来的信息丢失。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Granular-Ball Fuzzy Set and Its Implementation in SVM 2023

Granular-ball definition center and radius:

Traditional fuzzy data processing structure with points as input can be converted to a new structure incorporating granular-ball fuzzy set

Original fuzzy dataset D = {(x1, $σ1\sigma1$ ), (x2, $σ2\sigma2$ ),…,(xn, $σn\sigma{n}$ )}

Granular-ball fuzzy dataset G = {(GB1, $σGB1\sigma{GB_1}$ ), (GB2, $σGB2\sigma{GB_2}$ ),…,(GBl, $σGBl\sigma{GB_l}$ )}

$l$ and $σGBl\sigma{GB_{l}}$ represent the number and membership degree of fuzzy granular-ball

Each granular-ball can be represented by its center $c_i$