李萍

摘要：数据库海量数据集需要数据异常检测方法具有高效的数据挖掘能力，基于聚类的异常数据检测中聚类算法对初始聚类中心较为敏感，算法稳定性差.针对以上问题，提出了基于量子c均值聚类分析的异常数据检测方法。算法引入量子机制的高效并行计算能力，将其与C-means聚类算法相结合应用于数据点异常检测中，不仅克服了聚类算法对初始聚类中心敏感的问题，还具有量子模式的高效运算能力；仿真实验表明，算法在检测异常数据的准确性和效率上均优于传统基于聚类的异常检测算法。

关键词：量子；C均值；聚类分析；数据异常检测

中圖分类号：TP18；TP301.6 文献标识码：A 文章编号：1009-3044（2018）06-0198-02

大数据和云计算技术尤其是云存储发展，使得数据库中的信息量成指数的增长，数据库的重要性和价值也日益体现。数据库海量数据中只有部分数据有意义和价值，甚至会存在极少数的异常数据，这些异常数据可能对所属数据集的价值造成不可预估的危害，因此，异常数据的挖掘成了数据库及数据挖掘领域的具有重要意义的研究方向，受到了大量的学者和研究人员的广泛关注。

异常数据挖掘发展至今，出现了许多经典方法。Breunig在文献提出一种基于密度对异常点进行检测的LOF（LocalOut-her Factor）算法。算法赋予每一个数据点一个离群因子，用来衡量数据的偏离水平进而表征一个数据对象偏离度的数值，缺点是对序列数据和低密度数据对象不能很好的度量。……