基于距离的不确定离群点检测
计算机研究与发展ＩＳＳＮ１０００—１２３９／ＣＮ１１—１７７７／ＴＰＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ４７（３）：４７４－４８４，２０１０
基于距离的不确定离群点检测
于浩１王斌１肖刚１杨晓春１’２
１（东北大学信息科学与工程学院沈阳１１０００４）
２（中国人民大学数据工程与知识工程教育部重点实验室北京１００８７２）
（ｙａｎｇｘｃ＠ｍａｉｌ．ｎｅｕ．ｅｄｕ．ｃｎ）
Ｄｉｓｔａｎｃｅ－ＢａｓｅｄＯｕｔｌｉｅｒＤｅｔｅｃｔｉｏｎｏｎＵｎｃｅｒｔａｉｎＤａｔａ
ＹｕＨａ０１，ＷａｎｇＢｉｎｌ，ＸｉａｏＧａｎ９１，ａｎｄＹａｎｇＸｉａｏｃｈｕｎｌ?２
１（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ。Ｓｈｅｎｙａｎｇ１１０００４）
２（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＤａｔａＥｎｇｉｎｅｅｒｉｎｇａｎｄＫｎｏｗｌｅｄｇｅＥｎｇｉｎｅｅｒｉｎｇｆｏｒｔｈｅＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ。ＲｅｎｍｉｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，ＢｅＯｉｎｇ１００８７２）
ＡｂｓｔｒａｃｔＯｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎｉｓｏｎｅｏｆｔｈｅｖａｌｕａｂｌｅｔｅｃｈｎｉｑｕｅｓｉｎｍａｎｙａｐｐｌｉｃａｔｉｏｎｓ，ｓｕｃｈａｓｎｅｔｗｏｒｋｉｎｔｒｕｓｉｏｎｄｅｔｅｃｔｉｏｎ，ｅｖｅｎｔｄｅｔｅｃｔｉｏｎｉｎｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ（ＷＳＮ），ａｎｄＳＯｏｎ．ＴｈｉｓｔｅｃｈｎｉｑｕｅｈａｓｂｅｅｎｗｅｌＩｓｔｕｄｉｅｄｏｎｄｅｔｅｒｍｉｎｉｓｔｉｃｄａｔａｂａｓｅｓ．Ｈｏｗｅｖｅｒ，ｉｔｉｓａｎｅｗｔａｓｋｏｎｅｍｅｒｇｉｎｇｕｎｃｅｒｔａｉｎｄａｔａｂａｓｅ．Ｕｓｉｎｇｔｈｅｎｅｗｕｎｃｅｒｔａｉｎｄａｔａｍｏｄｅｌ，ｍａｎｙｒｅｆｌｌａｐｐｌｉｃａｔｉｏｎｓ，ｓｕｃｈａｓｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ，ｄａｔａｉｎｔｅｇｒａｔｉｏｎ，ａｎｄｄａｔａｍｉｎｉｎｇ，ｃａｎｂｅｂｅｔｔｅｒｄｅｓｃｒｉｂｅｄ．Ｔｈｅｆｅａｓｉｂｉｌｉｔｙｏｆｓｕｃｈａｐｐｌｉｃａｔｉｏｎｓｃａｎｂｅｆｕｒｔｈｅｒｅｎｈａｎｃｅｄ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｅｗｄｅｆｉｎｉｔｉｏｎｏｆｏｕｔｌｉｅｒＯｎｕｎｃｅｒｔａｉｎｄａｔａｉｓｄｅｆｉｎｅｄ．Ｂａｓｅｄｏｎｉｔ，ｓｏｍｅｅｆｆｉｃｉｅｎｔｆｉｌｔｅｒｉｎｇａｐｐｒｏａｃｈｅｓｆｏｒｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎａｒｅｐｒｏｐｏｓｅｄ，ｉｎｃｌｕｄｉｎｇａｂａｓｉｃｆｉｌｔｅｒｉｎｇａｐｐｒｏａｃｈ，ｃａｌｌｅｄｂ—ＲＦＡ，ａｎｄａｎｉｍｐｒｏｖｅｄｆｉｌｔｅｒｉｎｇａｐｐｒｏａｃｈ，ｃａｌｌｅｄ０－ＲＦＡ．Ｍｏｒｅｏｖｅｒ，ａｐｒｏｂａｂｉｌｉｔｙａｐｐｒｏａｃｈ，ｃａｌｌｅｄＤＰＡ，ｉｓｐｒｏｐｏｓｅｄｔｏｅｆｆｉｃｉｅｎｔｌｙｄｅｔｅｃｔｏｕｔｌｉｅｒｏｎｕｎｃｅｒｔａｉｎｄａｔａｂａｓｅ．Ｔｈｅａｐｐｒｏａｃｈｂ—ＲＦＡｕｔｉｌｉｚｅｓｔｈｅｐｒｏｐｅｒｔｙｏｆｎｏｎ—ｏｕｔｌｉｅｒｔｏｒｅｄｕｃｅｔｈｅｔｉｍｅｓｏｆｄｅｔｅｃｔｉｏｎ．Ｍｏｒｅｏｖｅｒ。
０－ＲＦＡｉｍｐｒｏｖｅｓｂ—ＲＦＡｂｙｍｉｎｉｎｇａｎｄｕｓｉｎｇｔｈｅｄａｔａｄｉｓｔｒｉｂｕｔｉｏｎ．Ｆｕｒｔｈｅｒｍｏｒｅ．ＤＰＡｆｉｎｄｓｔｈｅｒｅｃｕｒｓｉｏｎｒｕｌｅｉｎｐｒｏｂａｂｉｌｉｔｙｃｏｍｐｕｔａｔｉｏｎａｎｄｇｒｅａｔｌｙｉｍｐｒｏｖｅｓｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｓｉｎｇｌｅｄａｔａｄｅｔｅｃｔｉｏｎ．Ｆｉｎａｌｌｙ，ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｅｓｃａｎｅｆｆｉｃｉｅｎｔｌｙｐｒｕｎｅｔｈｅｃａｎｄｉｄａｔｅｓａｎｄｒｅｄｕｃｅｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｓｅａｒｃｈｉｎｇｓｐａｃｅ，ａｎｄｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｑｕｅｒｙｐｒｏｃｅｓｓｉｎｇｏｎｕｎｃｅｒｔａｉｎｄａｔａ．
Ｋｅｙｗｏｒｄｓｕｎｃｅｒｔａｉｎｄａｔａ；ｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎ；ｐｒｕｎｉｎｇｍｅｔｈｏｄ；ｅｆｆｉｃｉｅｎｃｙ；ｕｎｃｅｒｔａｉｎｄａｔａｍｏｄｅｌ
摘要在诸如网络入侵、无线传感器网络异常事件等检测应用中，离群点检测是一项具有很高应用价值的技术．这项技术在确定性数据中已经得到了深入的研究，但在新兴的不确定数据领域却是一项新的研究课题．在无线传感器网络、数据集成和数据挖掘等技术中使用不确定数据模型更能真实反映现实世界，进一步提高这些技术的实际可行性．针对不确定数据，提出新的离群点定义．提出基于距离的不确定数据离群点检测的高效过滤方法，包括基础过滤方法ｂ－ＲＦＡ和改进方法Ｏ－－ＲＦＡ，最后提出高效概率计算方法ＤＰＡ．ｂ—ＲＦＡ方法利用非离群点的过滤性质，减少检测次数．ｏ－ＲＦＡ方法通过挖掘数据分布信息对ｂ—ＲＦＡ方法作出改进，进一步提高过滤效率．ＤＰＡ方法找到概率求解中的递推规律，极大提高了单点检测效率．实验结果显示：提出的方法可以有效地减少候选集，降低搜索空间，改善在不确定数据上的查询性能．
收稿日期：２００９—０６—２６；修回日期：２００９－０９－３０
基金项目：国家自然科学基金项目（６０８２８００４，６０９７３０２０）ｌ教育部新世纪优秀人才支持计划基金项目（ＮＣＥＴ－０６—０２９０）ｆ中国人民大学数据工程与知识工程教育部重点实验室开放课题（２００８００２）
万方数据
基于分化距离的离群点检测算法
基于分化距离的离群点检测算法 作者：刘欢， 吴介军， 苏锦旗， LIU Huan， WU Jie-jun， SU Jin-qi 作者单位：西北工业大学,自动化学院,西安,710072 刊名： 计算机应用研究 英文刊名：APPLICATION RESEARCH OF COMPUTERS 年，卷(期)：2010,27(9) 参考文献(11条) 1.FAWCETT T;PROVOST F Adaptive fraud detection 1997(03) 2.HAN J;KAMBER M Data mining,concepts and technique 2001 3.ELIO L;EDGAR A Parallel algorithms for distance-based and density-based outliers 2005 4.MALIK A Local sparsity coefficient-based mining of outliers 2002 5.BREUNIG M;KRIEGEL H P;NG R T LOF:identifying density-based local outliers 2000(02) 6.ANGIULLI F;PIZZUTI C Fast outlier detection in high dimensional spaces 2002 7.杨永铭;王喆孤立点挖掘算法研究[期刊论文]-计算机与数字工程 2008(219) 8.RAMASWAMY S;RASTOGI R;SHIM K Efficient algorithms for mining outliers from large data sets 2000(02) 9.KNORR E;NG R Alogrithms for mining distance-based outliers in large datesets 1998 10.徐翔;刘建伟;罗雄麟离群点挖掘研究[期刊论文]-计算机应用研究 2009(01) 11.张云涛;龚玲数据挖掘原理与技术 2004 本文读者也读过(10条) 1.张忠平.梁永欣.ZHANG Zhong-ping.LIANG Yong-xin基于反k近邻的流数据离群点挖掘算法[期刊论文]-计算机工程2009,35(12) 2.胡彩平.秦小麟.任韧.HU Caiping.QIN Xiaolin.REN Ren局部空间离群点算法的改进及其实现[期刊论文]-中国图象图形学报A2010,15(10) 3.苏锦旗.薛惠锋.吴慧欣基于熵度量的空间邻域离群点查找[会议论文]-2009 4.赵玥基于相邻关系的聚类和离群点检测算法的研究[学位论文]2006 5.靳然然基于离群点挖掘的网络入侵检测方法研究[学位论文]2009 6.庞彦伟.刘政凯.Pang Yan-wei.Liu Zheng-kai一种自动抑制离群点的子空间学习方法[期刊论文]-电子与信息学报2008,30(1) 7.薛安荣.鞠时光.XUE An-Rong.JU Shi-Guang基于空间约束的离群点挖掘[期刊论文]-计算机科学2007,34(6) 8.张卫旭.尉宇.Zhang Weixu.Wei Yu基于密度的局部离群点检测算法[期刊论文]-计算机与数字工程2010,38(10) 9.敏玉芳基于单元格的多密度GMDBSCAN聚类算法[学位论文]2008 10.徐雪松.宋东明.张谞.张宏.刘凤玉.XU Xue-song.SONG Dong-ming.ZHANG Xu.ZHANG Hong.LIU Feng-yu基于局部线性加权的离群点检测方法[期刊论文]-计算机科学2008,35(5) 本文链接：https://www.sodocs.net/doc/8c13548878.html,/Periodical_jsjyyyj201009030.aspx
CNAS-CL07 测量不确定度评估和报告通用要求
CNAS—CL07 测量不确定度评估和报告通用要求General Requirements for Evaluating and Reporting Measurement Uncertainty 中国合格评定国家认可委员会
测量不确定度评估和报告通用要求 1．前言 1.1中国合格评定国家认可委员会（英文缩写：CNAS）充分考虑目前国际上与合格评定相关的各方对测量不确定度的关注，以及测量不确定度对测量、试验结果的可信性、可比性和可接受性的影响，特别是这种影响和关注可能会造成消费者、工业界、政府和市场对合格评定活动提出更高的要求。因此，CNAS在认可体系的运行中给予测量不确定度评估以足够的重视，以满足客户、消费者和其他各有关方的期望和需求。 1.2CNAS在测量不确定度评估和应用要求方面将始终遵循国际规范的相关要求，与国际相关组织的要求保持一致，并在国际规范和有关行业制定的相关导则框架内制订具体的测量不确定度要求。 2．适用范围 本文件适用于CNAS对校准和检测实验室的认可活动。同时也适用于其它涉及校准和检测活动的申请人和获准认可机构。 3．引用文件 下列文件中的条款通过引用而成为本文件的条款。以下引用的文件，注明日期的，仅引用的版本适用；未注明日期的，引用文件的最新版本（包括任何修订）适用。 3.1Guide to the expression of uncertainty in measurement(GUM).BIPM,IEC, IFCC,ISO,IUPAC,IUPAP,OIML,lst edition,1995.《测量不确定度表示指南》3.2International Vocabulary of Basic and General Terms in Metrology(VIM). BIPM,IEC,IFCC,ISO,IUPAC,IUPAP,OIML,2nd edition,1993.《国际通用计量学基本术语》 3.3JJF1001-1998《通用计量术语和定义》 3.4JJF1059-1999《测量不确定度评定和表示》
离群点检测(基于距离)实验报告
题目离群点检测(基于距离) 学生姓名 学生学号 专业班级 指导教师 2015-1-17
实验四离群点检测(基于距离) 此实验是在实验三的基础上，修改完成。实验算法与上次相同，但增加了离群点检测。离群点检测方法为：在聚类完成之后，计算簇中的点到各自簇心的距离。当簇中的一点到簇心的距离大于该簇的平均距离与1.5倍标准差的和时，则认为该点为离群点，即阀值平均距离与1.5倍标准差的和。 一、实验目的 1.深刻理解离群点，了解离群点检测的一般方法； 2.掌握基于距离的离群点检测算法； 3.锻炼分析问题、解决问题的思维，提高动手实践的能力。 二、背景知识 异常对象被称作离群点。异常检测也称偏差检测和例外挖掘。 常见的异常成因：数据来源于不同的类（异常对象来自于一个与大多数数据对象源（类）不同的源（类）的思想），自然变异，以及数据测量或收集误差。 异常检测的方法： （1）基于模型的技术：首先建立一个数据模型，异常是那些同模型不能完美拟合的对象；如果模型是簇的集合，则异常是不显著属于任何簇的对象；在使用回归模型时，异常是相对远离预测值的对象； （2）基于邻近度的技术：通常可以在对象之间定义邻近性度量，异常对象是那些远离其他对象的对象； （3）基于密度的技术：仅当一个点的局部密度显著低于它的大部分近邻时才将其分类为离群点。 三、实验要求 改写一种简单的半监督方法，用于离群点检测。使用一种你熟悉的程序设计
语言，如C++或Java，实现该方法，并在两种不同的数据集上进行讨论（1）只有一些被标记的正常对象；（2）只有一些被标记的离群点实例。 四、实验环境 Win7 旗舰版+ Visual Studio 2012 语言：C++ 五、算法描述 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。 1、算法思路 K-means算法 先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个： 1)没有（或最小数目）对象被重新分配给不同的聚类。 2)没有（或最小数目）聚类中心再发生变化。 3)误差平方和局部最小。 2、算法步骤 a.从数据集中随机挑K个数据当簇心； b.对数据中的所有点求到这K个簇心的距离，假如点Pi离簇心Si最近， 那么Pi属于Si对应的簇；
基于离群点检测的学生学习状态分析方法
计算机与现代化 ２０１６年第３期 ＪＩＳＵＡＮＪＩＹＵＸＩＡＮＤＡＩＨＵＡ 总第２４７期 文章编号：１００６-２４７５（２０１６）０３-００３５-０６ 收稿日期：２０１５-０８-１８ 基金项目：华中科技大学教学研究基金资助项目（０１２２１８４０３２）作者简介：陆柳生（１９８９-），男（土家族），贵州铜仁人，华中科技大学自动化学院硕士研究生，研究方向：数据挖掘；余明晖 （１９７１-），男，湖北武汉人，副教授，博士，研究方向：决策支持系统，数据挖掘。 基于离群点检测的学生学习状态分析方法 陆柳生，余明晖 （华中科技大学自动化学院，湖北武汉４３００７４） 摘要：针对高校学生工作者任务繁多且直接管理的学生人数众多，难于对每个学生进行个性化的学习指导的实际问题，提出基于离群点检测的学生学习状态分析方法，将有限的教育资源分配给最迫切需求的学生。使用基于密度的局部离群点检测算法对学生考试成绩数据进行挖掘，找出可疑离群学生，然后对可疑离群学生进行学习状态分析。案例研究结果表明，本方法能够有效地找出学习状态异常的学生，可以提升高校学生工作者的管理效率。关键词：离群点检测；教育数据挖掘；学生成绩；学习状态；局部离群点因子；数据挖掘中图分类号：ＴＰ１８１ 文献标识码：Ａ doi ：１０．３９６９／ｊ．ｉｓｓｎ．１００６-２４７５．２０１６．０３．００８ Learning State Analysis Method of Students Based on Outlier Detection ＬＵＬｉｕ-ｓｈｅｎｇ，ＹＵＭｉｎｇ-ｈｕｉ （ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ） Abstract ：ＴｈｅｓｔｕｄｅｎｔｓｕｐｅｒｖｉｓｏｒｓａｒｅｆａｃｉｎｇａｇｒｅａｔｃｈａｌｌｅｎｇｅｉｎＣｈｉｎｅｓｅｕｎｉｖｅｒｓｉｔｉｅｓｔｈａｔｔｈｅｙｈａｖｅａｌｏｔｏｆｗｏｒｋｔｏｄｏａｎｄｓｅｒｖｅｔｏｏｍａｎｙｓｔｕｄｅｎｔｓｄｉｒｅｃｔｌｙ，ｓｏｔｈａｔｔｈｅｙｃａｎｈａｒｄｌｙｇｉｖｅａｐｅｒｓｏｎａｌｉｚｅｄｌｅａｒｎｉｎｇｇｕｉｄｅｆｏｒｅｖｅｒｙｓｔｕｄｅｎｔ．Ｗｅｐｒｏｐｏｓｅａｍｅｔｈｏｄｏｆｌｅａｒｎｉｎｇｓｔａｔｅａｎａｌｙｓｉｓｏｆｓｔｕｄｅｎｔｓｂａｓｅｄｏｎｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍａｎｄａｌｌｏｃａｔｅｔｈｅｌｉｍｉｔｅｄｅｄｕｃａｔｉｏｎａｌｒｅｓｏｕｒｃｅｓｔｏｔｈｅｎｅｅｄｉｅｓｔｓｔｕｄｅｎｔｓ．Ｔｈｉｓｍｅｔｈｏｄｆｉｎｄｓｔｈｅｓｕｓｐｉｃｉｏｕｓｏｕｔｌｙｉｎｇｓｔｕｄｅｎｔｓｔｈｒｏｕｇｈｍｉｎｉｎｇｔｈｅｓｔｕｄｅｎｔｓ’ｓｃｏｒｅｓｂａｓｅｄｏｎｔｈｅａｌｇｏ-ｒｉｔｈｍｏｆｄｅｎｓｉｔｙ-ｂａｓｅｄｌｏｃａｌｏｕｔｌｉｅｒｓ，ａｎｄａｎａｌｙｚｅｓｔｈｅｌｅａｒｎｉｎｇｓｔａｔｅｏｆｔｈｅｓｅｓｔｕｄｅｎｔｓ．Ｔｈｅｃａｓｅｓｔｕｄｙｓｈｏｗｓｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎ ｅｆｆｉｃｉｅｎｔｌｙｆｉｎｄｓｏｍｅｓｔｕｄｅｎｔｓｗｉｔｈｅｘｃｅｐｔｉｏｎａｌｌｅａｒｎｉｎｇｓｔａｔｅｗｈｉｃｈｍａｙａｓｓｉｓｔｔｈｅｃｏｌｌｅｇｅｓｔｕｄｅｎｔｓｕｐｅｒｖｉｓｏｒｓｉｎｍａｎａｇｉｎｇｓｔｕｄｅｎｔｓｍｏｒｅｅｆｆｉｃｉｅｎｔｌｙ． Key words ：ｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎ；ｅｄｕｃａｔｉｏｎａｌｄａｔａｍｉｎｉｎｇ；ｓｔｕｄｅｎｔ’ｓｓｃｏｒｅｓ；ｌｅａｒｎｉｎｇｓｔａｔｅ；ｌｏｃａｌｏｕｔｌｉｅｒｆａｃｔｏｒ；ｄａｔａｍｉｎｉｎｇ 0 引 言 教育数据挖掘是将教育系统中产生的原始数据转换成有用信息的过程，综合运用数理统计、机器学习和数据挖掘等技术和方法，对教育数据进行处理和分析，从大量的数据中发现隐藏的、有价值的知识来 指导和发展教育［１-２］ 。教育数据挖掘的有效结果能够直接影响学生的学习成果，而学生学习成果是反映高校办学成效的重要依据，因此受到越来越多的重视。 高等学校是我国培养人才的核心基地，也是一个庞大的运营式系统。其在日常工作过程中会产生许多数据，可能是一个个业务流程的记录，也可能是某个学生或者教职工的信息。但在其中，学生最为关心的，是与学生评价和能否毕业密切相关的考试成绩数 据，主要被用作３个目的：问责、确定学生学习状况以 及制定与课程和教学直接相关的决策［３］ 。 高校的学生工作是指通过非学术性事务和课外活动对学生施加教育影响，以规范、指导和服务学生，丰富学生校园生活，促进学生成长成才的组织活动［４］ 。我国２００９年学生工作者与学生的比率为１：２００，低于美国学生工作者与学生的比率１：６４，并且学生工作者“融党、政于一体，集教育、管理于一身”，从奖、贷、困、补到思想教育，从学生入学到毕业找工 作，事无巨细，事必躬亲［５-６］ ，这样高强度的工作量使得高校学生工作者很难对所直接管理的每一个学生都进行个性化的学习指导。 据清华大学２０１０年对大学生的一项需求调研显示，８７％的本科生和７６％的研究生认为开展更加个
检测系统中测量不确定度评定及合格判定方法
自动化检测系统中测量不确定度评定及合格判定方法 摘要：自动化检测系统以自动检测软件为中心，自动检测软件完成仪器设置，数据读取，各种计算，进行合格判定等多种工作。讨论自动检测软件中测量不确定度的计算方法及其在合格判定中的应用。 关键词：自动化检测不确定度合格判定 引言 随着传感器技术以及微电子技术的迅速发展和广泛使用，国内外厂家不断推出带有IEEE488和RS232通讯接口可自动控制的仪器，广泛应用于科研、生产及计量测试领域。自动化检测系统具有始终如一的高准确度，减少人为干预、在短时间内进行更多的测量、大量工作的能力、保持检测基本观点一致性、大量的数据管理能力、工作人员的高效率使用等优点，在各计量单位得到越来越广泛的应用。 自动化检测系统以自动检测软件为中心，自动检测软件完成仪器设置，数据读取，各种计算，进行合格判定等多种工作。讨论自动检测软件中测量不确定度的计算方法及其在合格判定中的应用。 1．测量不确定度的评定 1.1测量不确定度的评定 自动检测软件中的测量不确定度评定应按照《JJF1059-1999 测量不确定度的表示及评定》进行。步骤如下图所示。各步骤在设计自动检测软件时固化在自动检测软件中。在执行自动检测软件时对采集到的数据进行计算。得到测量不确定度。 自动检测系统一般工作在实验室中，环境条件较好，电磁干扰较弱。被测量定义完整、可复现。不确定度来源一般考虑被测量观测值的随机变化，标准
设备（稳定性、分辨力、检测证书）、传递标准（分辨力、短期稳定性）等因素的影响，尽量做到不遗漏、不重复。 1.2 不确定度的A类评定 按照《JJF1059-1999 测量不确定度的表示及评定》要求，应根据有关准则（如格拉步斯准则）判断并剔除测量数据中可能存在的异常值。在自动检测系统中，对某一测量值进行多次测试一般不进行换线等人工操作。而且实验室环境条件较好，温度相对较稳定，电磁干扰较少，在此条件下，测量值变化一般为被校仪器本身的影响。因此在自动检测软件中不应该包含异常值剔除。可包含通断判断模块，判断测试线连接是否正常。 根据实际选择合适的实验标准偏差计算方法，一般采用贝塞尔法进行计算。
测量不确定度评定报告
测量不确定度评定报告 1、评定目的 识别实验室定量项目检测结果不确定度的来源，明确评定方法，给临床检测结果提供不确定度依据。 2、评定依据 CNAS-GL05《测量不确定度要求的实施指南》 JJF 1059-1999《测量不确定度评定和表示》 CNAS— CL01《检测和校准实验室能力认可准则》 3 、测量不确定度评定流程 测量不确定度评定总流程见图一。 图一测量不确定度评定总流程 4、测量不确定度评定方法
4.1建立数学模型 4.1.1 数学模型根据检验工作原理和程序建立，即确定被测量Y（输出量）与影 响量（输入量）X 1，X 2 ，…，X N 间的函数关系f来确定，即： Y=f（X 1，X 2 ，…，X N ） 建立数学模型时应说明数学模型中各个量的含义和计量单位。必须注意, 数学模型中不能进入带有正负号(±)的项。另外，数学模型不是唯一的，若采用不同测量方法和不同测量程序，就可能有不同的数学模型。 4.1.2计算灵敏系数 偏导数Y/x i =c i 称为灵敏系数。有时灵敏系数c i 可由实验测定，即通 过变化第i个输入量x i ，而保持其余输入量不变，从而测定Y的变化量。 4.2不确定度来源分析 测量过程中引起不确定度来源，可能来自于： a、对被测量的定义不完整； b、复现被测量定义的方法不理想； c、取样的代表性不够，即被测量的样本不能完全代表所定义的被测量； d、对测量过程受环境影响的认识不周全或对环境条件的测量和控制不完善； e、对模拟式仪器的读数存在人为偏差（偏移）； f、测量仪器的计量性能（如灵敏度、鉴别力阈、分辨力、死区及稳定性等）的 局限性； g、赋予计量标准的值或标准物质的值不准确； h、引入的数据和其它参量的不确定度； i、与测量方法和测量程序有关的近似性和假定性； j、在表面上完全相同的条件下被测量在重复观测中的变化。 4.3标准不确定度分量评定 4.3.1 A 类评定--对观测列进行统计分析所作的评估 a对输入量X I 进行n次独立的等精度测量，得到的测量结果为： x 1，x 2 ， (x) n 。 算术平均值x为 1 n x n= ∑x i
离群点的判定汇编
离群点的判定 摘要 本文首先对离群点进行了定义，离群点（outlier）是指数值中，远离数值的一般水平的极端大值和极端小值。因此，也称之为歧异值，有时也称其为野值。深入了解了形成离群点的原因，并建立数学模型来找出一维、n维数据中的离群点，主要利用聚类的离群挖掘法。 针对问题一，考虑到数据的杂乱性，先对数据进行排序，由于在实际生活中我们需要处理的数据量往往比较多，离群点的个数也不确定，就考虑对数据进行分类处理，利用离群值跳跃度比较大的特点，采用斜率比较的方法进行分类，在分类的过程中我们就会很容易的发现离群点。最后再对完成分类的数据进行分析。完成分类的数据往往差距更小，可以近似的认为数据服从正态分布，利用正态分布的性质可以找出每类数据中的离群点，这样就找出了数据中所有的离群点。 针对问题二，我们主要采用具体的数据绘制具体的图形来分析存在的离群点，并说明离群点带来的影响。 针对问题三，我们主要利用基于聚类的离群挖掘方法，先利用一趟算法对数据集进行聚类；然后再计算每个簇的离群因子，并按离群因子对簇进行排序，最终确定离群簇，也即确定离群对象。确定算法以后再利用具体的数据进行检测，看该模型是否可行。 关键词：数据的分类处理聚类的离群挖掘方法（CBOD）
一、问题重述 A题：离群点的判定 离群点（outlier）是指数值中，远离数值的一般水平的极端大值和极端小值。因此，也称之为歧异值，有时也称其为野值。 形成离群点的主要原因有：首先可能是采样中的误差，如记录的偏误，工作人员出现笔误，计算错误等，都有可能产生极端大值或者极端小值。其次可能是被研究现象本身由于受各种偶然非正常的因素影响而引起的。例如：在人口死亡序列中，由于某年发生了地震，使该年度死亡人数剧增，形成离群点；在股票价格序列中，由于受某项政策出台或某种谣传的刺激，都会出现极增，极减现象，变现为离群点。 不论是何种原因引起的离群点对以后的分析都会造成一定的影响。从造成分析的困难来看，统计分析人员说不希望序列中出现离群点，离群点会直接影响模型的拟合精度，甚至会得到一些虚伪的信息。因此，离群点往往被分析人员看作是一个“坏值”。但是，从获得信息来看，离群点提供了很重要的信息，它不仅提示我们认真检查采样中是否存在差错，在进行分析前，认真确认，而且，当确认离群点是由于系统受外部突发因素刺激而引起的时候，他会提供相关的系统稳定性，灵敏性等重要信息。 问题一：针对一维数据，建立判别离群点的数学模型；并对模型的计算结果进行评价或检验。 问题二：如果数据中出现离群点应该如何处理？并举例说明该处理方法对后续建模分析的影响。 问题三：针对n维数据，建立判别离群点的数学模型；并对模型的计算结果进行评价或检验。
金属材料维氏硬度试验检测结果测量不确定度的评定
金属材料维氏硬度试验检测结果测量不确定度的评定 1 概述 1.1 测量方法 依据G B/T 4340.1-2009《金属维氏硬度试验第1部分：试验方法》。 1.2 评定依据 ISO/IEC 17025:2005《检测和校准实验室能力的通用要求》；《JJF 1059.1—2012 测量不确定度评定与表示》；GB/T 4340.2-2009《金属维氏硬度试验第 2 部分：硬度计的检验》；GB/T 3101-1993《有关量、单位和符号的一般原则》；GB/T 8170-2008《数值修约规则》。 1.3 环境条件 根据GB/T 4340.1-2009 试验方法标准的规定，试验一般在室温10 ℃～35 ℃范围进行(除非另有规定)。本例评定的试验温度为26 ℃±2 ℃，湿度为60％RH。 1.4 测量设备 应采用经计量部门检定合格的维氏硬度计，其准确度必须满足G B/T 4340.2-2009 的规定。本例使用经计量单位检定合格的F V-700 型（日本）硬度计。 1.5 被测对象 采用满足国家标准G B/T 4340.1-2009 要求的金属材料维氏硬度试样。 1.6 测量过程 根据G B/T 4340.1-2009，在规定环境条件下，对于满足标准要求的金属材料维氏硬度试样借助于计量合格的维氏硬度计，选用方法标准规定的合适的试验力和压头下降速度，采用标准规定的试验力保持时间及合适的压痕测量装置放大倍数测试压痕对角线平均值，通过查表或计算得到所测硬度值。作为实例，本文选用98.07 N 试验力、力保持时间为15 秒，在自动加力的情况下，测定维氏硬度值（HV10）。 2 建立测量模型 根据G B/T 4340.1-2009 标准，维氏硬度测试原理的测量模型为： (1) 式中 F ―试验力，N d ―两压痕对角线长度d1 和d2 的算术平均值，mm 3 测量不确定度来源的分析 和d2 算术平均值d的测量误差引起的不确定度主要来源：两压痕对角线长度d 1 分量；试验力值误差所引起的不确定度分量；测量结果进行数值修约所导致的不确定度分量。在一些分量中又包括了检测人员测量过程及硬度计测量误差所带来的不确定度分量。 4 标准不确定度分量的评定
基于聚类的离群点检测
基于聚类的离群点检测方法 Rajendra Pamula, Jatindra Kumar Deka, Sukumar Nandi Department of Computer Science and Engineering Indian Institute of Technology Guwahati Guwahati, Assam, India Email:
金属材料拉伸试验检测结果测量不确定度的评定
价值工程 0引言 金属材料的力学性质主要取决于所用材料本身的组织结构以及化学成分等，什么样的材料就决定其具有什么样的性质，在材料力学性能的有关试验当中，金属材料的拉伸试验是一个最为重要的实验，同时也是评价材料所具有的力学性能最有效和最常用的一种方法，它能够较为准确地反映材料本身所具有的基本属性，具有可靠、快捷和简单的特点。 1概述 金属材料的拉伸试验在进行的过程当中旺旺需要采用到相关的金属拉伸试验设施，这些设施主要是由计算机、液压油油源、液压集成块、三路传感器以及主机架框等共同构成，在进行拉伸试验的整个过程中，利用计算机能够根据试验的参数，通过数字阀门把液压油从油源不断输送至主机架的油缸当中，同时，在计算机的显示屏也会同 步显示出金属材料进行拉伸的相关数据信息，像位移、 应变以及应力等，工作人员根据转变控制模式就可以得到相关的试验数据。 对金属材料拉伸试验检测产生影响的结构性因素很多，像弹性模量、极限强度以及屈服强度等，这些虽然也是金属材料本身所特有的基本属性，但相同的材料在经过不一样的拉伸试验之后，能够反映出不一样的性能指标，也就是说测量的结果是不一定的，这就要求金属材料力学的相关性能检测人员，在对材料力学的性能进行检测时，必须要严格按照金属材料力学的性能检测标准和产品有关规定和标准来开展工作，正确认识影响整个测量过程的主要因素：人员、温度、拉伸速率、夹持方法、设备、测量仪器以及试样等。 金属材料的拉伸试验所采用的方法主要为，在拉伸试验的相关的设施当中放入已经准备好的金属试样，利用计算机设施来设置拉伸的速率，金属的拉伸装置可以给金属试样施加一定的拉伸力，在试验的过程当中，测量出的塑性指标包括的主要是断面以及断后的伸长率和收缩率，需要注意的是，金属材料拉伸试验进行的过程当中，起操作 过程很容易受到各种因素影响，必须要对影响的因素有一定的了解，并要对这些因素形成的原因加以分析，制定出相关的规程，严格控制好试验的整个过程，只有这样才能取得较为精确的金属材料拉伸试验检测结果。金属材料的拉伸性能在生产、检验以及研制的过程中都是需要进行重点检测的内容，检测所得出的强度指标和塑性性能指标是能够体现金属材料所具有性能的主要参数。 2金属材料拉伸试验检测结果测量不确定度评定的基本内容 ①被测的对象。三个评定低合金钢板的试样平均值结果所具有的塑性指标以及拉伸强度的不确定度。②试验温度。室温维持在10-35℃。③结果评定。在一定的室温条件下，相同强度的水平塑性较好的低合金钢和碳钢下屈服轻度和抗拉强度测量结果可以参照本次的评定结果，非比例断后伸长率、延伸强度以及断面收缩率所具有的具体数据和不确定度之间有密切的关系。 3对输入量标准和数学模型的不确定度评定 3.1由于测量本身的重复性所引起标准的不确定度评定此项评定使用了共有25个试样，得出测量列的结果详见表1。 重复性测量的计算结果如表2所示，25个试样试验的结果可以不必再乘以安全因子。 3.2输入量扩展和合成不确定度评定①抗拉强度。其数学模型表示为R m =F m o U crel （R m ）=u 2 rel （F m ）+u 2 rel （S o ）+u 2 rel （rep ）+u 2 rel （off ） 姨在该式当中，R m 指的是抗拉强度；F m 指的是最大力；S o 指的是原始横截面积；rep 指的是重复性；off 指的是修约。最大力F m 主要的影响因素就是在试验机中测力系统的示值误差所引起的不确定度，室温的温度所能引起的影响实际上并不大，甚至可以将室温温度影响忽略不计，在标准所允许的范围当中还没有发现其应变速率所对材料性能造成显著的影响。抗拉强度相对标准其不确定度的分享汇总如表3所示。 —————————————————————— —作者简介：袁桂平（1973-），女，吉林长春人，高级工程师，轻工产 品检验中心副主任。 金属材料拉伸试验检测结果测量不确定度的评定 Detection of Uncertainty of Result Evaluation of Metallic Materials in Tensile Test 袁桂平YUAN Gui-ping （长春市产品质量监督检验院，长春130012） （Changchun Product Quality Supervision and Inspection Institute ，Changchun 130012，China ） 摘要：金属材料的力学性质主要取决于所用材料本身的组织结构以及化学成分等。在金属材料力学性能的试验当中，影响金属 材料拉伸试验检测结构因素很多，相同材料经过不一样的拉伸试验就能反映出不一样的性能指标。 Abstract:The mechanical properties of metal materials mainly depend on the organizational structure and chemical composition of materials used.In the test of the mechanical properties of metallic materials,a lot of factors can affect the tensile test detection structure of metallic materials.The same material can reflect the different performance indicators after different tensile tests. 关键词：金属材料拉伸试验；检测结果测量不确定度；评定Key words:tensile test of metal material ；uncertainty of detection results ；assessment 中图分类号：TB741;G352.4文献标识码：A 文章编号：1006-4311（2012）33-0292-02 ·292·
基于聚类的离群点检测
DBSCAN密度算法： 1、DBSCAN算法介绍 DBSCAN算法是将密度足够大的数据组成类。DBSCAN需要由用户主观来选择参数从而影响了最终的聚类结果，对于数据量为凡的样本集合，DBSCAN的计算复杂度为D(n2)。一般采用空间索引的方法降低时间复杂度，复杂度为D(n log n)。 2、DBSCAN算法用到的定义如下 定义l(数据点的Eps邻域)以数据样本中任意一点为圆心，Eps为半径的球形区域内包含的点的集合，叫做该数据点的Eps邻域。 定义2(数据点的密度)数据样本中任意一点的Eps邻域内包含的点数，叫做该数据点的密度。 定义3(核心数据点)核心数据点是指在Eps半径范围之内包含等于Minpts或大于Minpts个点的数据样本中任意一点。 定义4(边界数据点)边界数据点是指在某个核心数据点的邻域内，但自身不是核心数据点的数据样本中任意一点。 定义5(直接密度可达)已知Eps，Minpts，对于点x和点y，如果y 是核心点，而且x属于y的Eps邻域，则点x从点y直接密度可达。 定义6(密度可达)如果对于给定的Eps，Minpts存在点链x1，x2，x3? x n，其中x1=x，x n=Q，而且xi从xi+l直接密度可达，那么点x从点Q密度可达。 定义7(密度相连)如果在给定Eps，Minpts的情况下，存在点p，使得点x和点y都从p密度可达，则点x和y是密度相连的。
定义8事先给定Eps和Minpts，基于密度聚类中的一个聚类就是可以密度连接所能包含的最多数据点的集合。不属于任何聚类的数据点的集合称为噪声。 假定输入参数为Eps和Minpts，DBSCAN的算法 3、描述如下 (1)输入聚类数据，然后任意选取一个数据点茗，检查数据点菇的Eps邻域。 (2)如果戈是核心点而且没有被划分到某一个类，则找出所有从戈密度可达的点，最终形成一个包含菇的类。 (3)如果z不是核心点，则被当做噪声处理。 (4)转到第一步，重复执行算法；如果数据集合中所有的点都被处理，则算法结束。 基于多重聚类的局部离群点检测算法 1、局部离群点检测算法LDOF 该算法定义了一个基于距离的局部离群因子ldof，利用该离群因子可以评估某个数据点p与其自身最近邻邻域集合的偏离程度。 ldof(p)的值越大，表示数据点p相对于其邻域的偏离程度越大，p的离群度就越大。 设N p为数据对象p的k最近邻点的集合（不包括对象p）。 定义3.1点p的KNN距离所有N p内的数据到p的平均距离，记作p的平均距离，记作d p ,计算公式如下：
一氧化碳检测报警器示值误差检定结果的测量不确定度评定
一氧化碳检测报警器示值误差检定结果的测量不确定度评定 1 适用范围 适用于采用气体物质标准对一氧化碳检测报警器进行检定的示值误差测量结果不确定度评定与表达。 2 依据文件 JJG 915—2008 一氧化碳检测报警器检定规程 JJF 1059—2007 测量不确定度评定与表示 CX/19/2002 测量不确定度评定与表示实施细则 3 测量方法和数学模型 一氧化碳检测报警器示值误差用直接测量法进行检定，即输入一氧化碳标准物质直接读出检测仪的示值，根据示值A 与标准值s A 即可得到示值误差检定结果Δe 。 Δe =100?-S S A A A % 仪器检定测量结果不确定度的评定应该按照检定的实际结果进行，本文以检定规程规定的允许值进行分析评定。评定结果是合格的检测仪示值误差检定结果测量不确定度的最大值。 在一氧化碳检测报警器的检定中，影响示值测量不确定度的因素有： ⑴ 计量标准器的不确定度， ⑵ 测量方法的不确定度， ⑶ 环境条件的影响， ⑷ 人员操作的影响， ⑸ 被检验仪器的变动性。 由于采用直接测量法进行检定，测量方法的不确定度可以不予考虑；在规程规定的环境条件下进行检定，⑶、⑷等对检定结果的影响可忽略不计，气流稳定性、人员操作的影响和被检定仪器的变动性体现在测量的重复性中。因此检定结果的不确定度影响因素主要包括检定用标准气体引起的不确定度和测量变动性引起的不确定度。 4 分量标准不确定度 4.1 计量标准器即气体标准物质的定值标准不确定度u 1 一氧化碳气体一級标准物质定值不确定度为1 %，二級标准物质定值不确定度为2 %属正态分布，包含因子k =2。标准气体的定值不确定度引起的标准不确定度为： 一级标准物质u 1=2 % 1=0.5 % 二级标准物质u 1=2%2=1.0 % 4.2 测量变动性引起的标准不确定度u 2 测量变动性引起的不确定度由规程规定的重复测量的重复性限指标来评估。规程规定测量的重复性限用6次测量的相对标准偏差(RSD )表示，相对误差由3次测量平均值得到，则测量变动性引起的标准不确定度：
测量结果及其不确定度的有效位数
测量结果及其不确定度的有效位数 张春滨 （航天科技集团公司第一计量测试研究所，北京，100076） 摘要校准证书及检测报告上的校准结果或检测结果均给出了测量结果的不确定度，并通过大量的实例，介绍了测量结果及其不确定度的有效位数，对不同情况下，与此相关的一些问题进行了讨论。 关键词测量误差，有效数字，修约。 The Significant Figure of the Measurement Result and Its Uncertainty Zhang Chunbin (The First Research Institute for Measurement and Test of CASA,Beijing,100076) Abstract The uncertainty of the result of a calibration or a testing is given in the certificate of calibration and calibration result or test result in the testing report. With many examples, this paper introduces the significant figures in the result of a measurement and its uncertainty. Some problems correlated with the significant figure are also discussed in different conditions. Key Words Measurement error, Significant figure, Round off. 1 引言 校准证书及检测报告上的校准结果或检测结果均给出了测量结果的不确定度，测量结果的报告应尽量详细，以便使用者可以正确地利用测量结果。完整的测量结果至少含有两个基本量：一是被测量的最佳估计值，在很多情况下，测量结果是在重复观测的条件下确定的。二是描述该测量结果分散性的量，即测量结果不确定度。报告测量结果的不确定度有合成标准不确定度和扩展不确定度两种方式。在报告与表示测量结果及其不确定度时，对两者数值的位数，技术规范JJF1059-1999《测量不确定度评定与表示》做出了相应的规定。 2 测量结果不确定度的有效位数 2.1 技术规范的规定 根据技术规范JJF1059-1999《测量不确定度评定与表示》的规定，估计值y的数值和它的标准不确定度u c(y)或扩展不确定度U的数值都不应该给出过多的位数。通常u c(y)和U 以及输入估计值x i的标准不确定度u(x i)最多为两位有效数字。虽然在计算测量结果不确定度的过程中，中间结果的有效位数可保留多位，即在报告最终测量结果时，u c(y)和U取一位或两位均可，两位以上是不允许的。 2.2 测量结果不确定度的修约 测量结果不确定度应按国家标准GB3101-1993《有关量、单位和符号的一般原则》的规定进行修约，使测量结果不确定度有效数字的位数为一位或两位。 例如：一频率测量结果的标准不确定度为u (x i)= 28.05 kHz，要求保留两位有效数字，经修约后为28 kHz。 测量结果的不确定度不允许进行连续修约。即测量结果的不确定度应经一次修约后得到，而不应该经多次修约后得到。 例如：U = 0.145 5℃，要求保留一位有效数字时，应为：U = 0.145 5℃= 0.1℃，而不应为：U = 0.145 5℃= 0.146 ℃= 0.15℃= 0.2℃。可见，在本例中，由于连续修约造成最终
离群点的判定和处理
承诺书 我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们参赛选择的题号是（从题目编号中选择一项填写）： A 题目：数学建模竞赛 参赛队员： 姓名专业班级所在学院电话（手机）是否报名全国竞赛
A题：离群点的判定 摘要 离群点是指数据中，远离数值的一般水平的极端大值和极端小值，也称之为歧异值，有时也称其为野值，其对后续的数据处理有很大的影响；本文研究的目的是拟建立适当的数学模型，评判出一组数据中的离群点，并对出现的离群点进行处理。 对于问题一的第一小问，本文拟将一维数据分成确定数据和不确定数据两类，对于确定数据建立残差绝对值模型发现离群点，当残差绝对值y(n)>y1-a(n)时，残差绝对值对应的Xi即为离群点；对于不确定数据，建立可能世界模型确定数据的邻居对象，在传统确定性数据判定方法的基础上，离群点的概率还需要满足所给出的概率阀值；同时满足两个条件即为离群点。 对于问题一的第二小问，本文拟采用aggarwal等所提出的评价指标体系评价残差绝对值模型判定离群点的有效性，计算真正的离群点数占该方法所找出的离群点的比例，比例越大残差绝对值模型判定离群点的有效性越好。 对于问题二，对离群点的处理本文拟分为标准偏差预知和标准偏差未知两类，对于标准偏差预知，本文拟采用统计量T=(X-X)/σ，T值大于舍弃界限中相应置信度下的临界值则舍弃否则保留；对于标准偏差未知，本文分别采用拉依达准则、狄克松法、肖维特法、格鲁布斯法、学生化残差绝对值法对离散点进行处理，更科学决定离散点的舍与留。 对于问题三，对于n维数据离群点的判定，本文拟采用神经网络模型求解，运用DPS数据处理系统将n维数据分为离群点和非离群点两类，输出的离群值即为要发现的离群点；本文拟采用蠓分类试验对神经网络模型来检验其有效性。
测量结果的不确定度及其计算
讲座 测量结果的不确定度及其计算 周舜元 (卫生部工业卫生实验所,北京100088) 1 概述 随着生产和科学技术的进步,对检测数据的准确可靠性提出了更高的要求。过去通常用测量误差即测量结果与真值的差异来表示测量结果的准确可靠程度,但由于真值通常是未知的,所以误差常常也无法知道,只能用约定真值代替真值来求误差。在实际工作中更多遇到的应该是测量的不准确度,这已逐渐成为人们的共识。特别是由于国际贸易的发展,检测数据的质量高低需要在国际间得到评价和承认,由此开展的国际间的验证比对试验、实验室认可等活动,越来越重视对测量结果不确定度的分析和表达。国家标准校准和检验实验室能力的通用要求!(GB/T15481-1995,等同采用ISO导则25)中就要求实验室的每个证书或报告,均应对估算的校准和测试结果的不确定度作出说明:ISO9001也规定,应保证所用设备的测量不确定度已知。在1993年,由BIPM(国际计量局)、IEC(国际电工委员会)、IFCC(国际临床化学联合会、ISO(国际标准化组织)、IUPAC(国际理论与应用化学联合会)、IUPAP(国际理论与应用物理联合会)和OIML(国际法制计量组织)等7个国际机构共同发起,ISO公布了?测量不确定度表示指南#,从而形成了共同的基础。 2 基本概念 2.1 测量不确定度 它是一个与测量结果相关的参数,用以表征可以合理赋予被测量值的分散性。该参数可以用标准偏差或其给定倍数来表示,也可以用置信水平的区间半宽度来表示。测量不确定度通常由其所有的不确定度分量构成,其中有些分量可以用测量结果的统计分析来加以评定,有些分量则基于统计分析以外的方法或信息来评定。测量不确定度一般来源于随机性和模糊性,前者来自一些主客观条件不充分,后者归因于事物本身概念不明确。在具体实践中,可能包括的来源如下: (1)对被测量的定义不完善; (2)实现被测量的定义的方法不理想; (3)被测量的样本(抽样)不能代表所定义的被测量; (4)环境条件的测量不完善,或对测量受环境条件影响的认识不周全; (5)人员对模拟仪器的读数有偏差; (6)测量仪器的分辨力和鉴别阈不够; (7)赋予计量标准的值和标准物质的值不准; (8)从外部来源取得,并用于数据计算的常数和其他参数不准; (9)与测量方法和测量程序相关联的近似性和假定性; (10)在表面上完全相同的条件下,被测量重复观测值的变化。 2.2 不确定度的分类 如上所述分为两类:一类是通过对测量结果的数据列进行统计分析,由概率密度函数求其频率分布加以评定得到的不确定度,称为统计不确定度分量,或者?A类不确定度分量#;另一类是通过非统计的其他方法或信息,如基于对事件发生的信任程度或经验得到的假定概率分布加以评定,称为非统计不确定度,或者?B类不确定度分量#;两者都可用标准偏差表示。应当指出的是:测量误差可以分为系统误差和随机误差;但不确定度分成A类和B类,并不与之相互对应,系统效应修正值的不确定度可能由A类、也可能由B类得到。 2.3 标准不确定度和展伸不确定度 用标准差表示的测量结果不确定度,通常称为?标准不确定度#u;当一个测量结果由若干个其他量求得时,这个测量结果的标准不确定度,就等于这些其他量的方差或协方差之(加权)和的正平方根,称之为?合成标准不确定度#u c;但在安全、健康等领域,为了提高不确定度的置信水平,可将合成标准不确定度乘以一个数值因子K,由此得到?展伸不确定度#或?范围不确定度#U=ku c,它表示测量结果附近的一个置信区间,且可以合理地认为(或赋予)被测量值将以较高的置信概率落于该区间中;上述数值因子k通常称为?包含因子#或?范围因子#。2.4 自由度 计算加和的项数减去对加和结果的限制数 3 测量不确定度的评定 在评定不确定度时,其流程如附图所示。大致分为以下几步:?建立数学模型;%A类或B类不确定度的评定;&不确定度的合成或汇总;?计算总不确定度;(不确定度的报告。 124 Chi n J Radiol Health,1999,Vol8,No2