1、“.....没有出现较好区分度，无法做未知数据异常与否地判断。同时也可看到与上面实验样结果，证明不是算法问题，而是数据特征不好区分。对实验二调整隐层实验实验方式，调整隐层神经单元个数分别做次，每次训练完的权值去计算测试数据库，然后通过已知结果，统计异常点与非异常在到之间的分布情况，看是否有区分度较高地方案。实验计算结果表个隐层实验结果单位个数分区类器能力，采用多分类器方法对数据集合进行学习，还是具备定地可行性。当然实际应用还会出现其他很多需要解决地问题。通过实验后面实验过程多特征地实验地经历，可以知道如果做分类器对待多特征可以采用多网络学习。同时对于出现特征交叉的问题，比如数据组的前几个属性和数据组前几个属性样，然后最后属性存在不同，属于不同类异常和非异常，对与这种情况很难处理。时间限制未作深入研究。总结与展望综上分析所述，具备定特征分类能力，但是要通过这种分类能力去做异常点检测需要考虑很多因素，并且需要做很多辅助工作......”。

2、“.....难以分离区别。假设应用神经网络做异常点检测，实际应用则采用充当分类器，并且根据特征采用多分类器结构，解决数据多特征问题。同时对于那些不同类而且是数据特征相似性较大比如很多属性处在相同空间范围，局部属性不同则需要采用更多神经网络训练这些特征，以便分离，或者采用专家系统方式，对这些具备相似性较高而又不同类进行量化可控地判断。同时对于超出已知范畴特性地数据，进行保存处理，训练出新的神经网络，同时通过人工专家系统进行更新。这样保证在可控范围能得到更高准确性。同样如果能够有好地方案，能够明显获得已知数据特征，并且能够很好分离相近特征属性的方案，那将是有很好速度检测到异常数据，同时配合专家决策系统能够使结果更具实际地准确性，而不是单纯地数据异常准确性。当然这建立在已知数据集合有足够丰富特征。对于未知数据特征可以报警，通过人工干预使系统学习到新特征，或者自动控制地方法学习。总地来说，使用神经网络分类，对于相似性比较高，差异集中在局部特征的数据，可以使用特征映射相关技术遗传算法启发式搜索特征随机选取等得到这些特征差异。对于正常数据多特征地问题，特别是正常数据有多类数据的......”。

3、“.....即多神经网络记录多特征。参考文献,，,王元明，熊伟异常数据的检测方法重庆工业学院学报自然科学第卷杨永铭，王喆孤立点算法研究计算机与数字工程期,机器学习北京机械工业出版社，数据挖掘概念与技术北京机械工业出版社，马少平，朱小燕人工智能北京清华出版社，彭清娥，曹叔尤，刘兴年，黄尔，李昌志算法中固定学习率的性能分析成都四川大学高速水力学国家重点实验室，,李炎，李皓异常检测算法分析计算机工程,鄢团军,刘勇孤立点检测算法与应用三峡大学学报自然科学版刘合兵,尚俊平基于距离和密度的聚类和孤立检测算法异常特征地数据。训练准备训练采用地前组数据，前个属性为训练输入，第个为训练用教师信号。观察测试采用所有作为输入，为测试数据实际结果，已知正常数据，异常，通过这个可以辅助分析。流程第组数据单个输入训练，保存相应权值，教师信号，正常数据训练第二组数据单个输入训练，保存权值，教师信号，异常数据训练测试方法异常与否隐层隐层通过测试地两个数据库，输到训练后地两个神经网络，同时借助已知数据捕获有用数据进行分析。观察测试数据库计算分布结果分布情况，并统计分布情况表表表表......”。

4、“.....横轴顺序表示每隔地区间注横轴表示到区间，比如表示到计算结果分布，纵轴表示个数系列表示异常点计算结果，系列表示非异常点计算结果图使用已训练的计算结果分布单位纵轴个数，横轴顺序表示每隔地区间注横轴表示到区间，比如表示到计算结果分布，纵轴表示个数系列表示异常点计算结果，系列表示非异常点计算结果图使用已训练的计算结果分布已知保存的是正常数据地特性，越逼近越是属于正常数据特性保存的是异常数据地特性。表计算，正异常数据地实际输出，集中在之中。无大于地任何数据。刚好所有正常数据都在之下。表计算，异常数据地实际输出集中在，证明异常数据特性被正常数据所包含。表计算，异常点数据集中在之间，刚好是已知异常点个数。表计算，正常数据集中在之间，为异常点特性，证明正常数据有很大部分特征与异常数据特征有交集......”。

5、“.....对于未知检测数据输入，呈现无法区分地现象。图图见数据呈现叠加分布，即分布样，无法区分异常与异常与否。实验失败原因分析可能是数据特征叠加问题，异常与分异常具有很强地交叉特征。单位横轴属性顺序，纵轴属性数值。注训练数据库中的，每个点代表个属性值，横轴代表属性顺序，纵轴代表属性值图组正常数据单位横轴属性顺序，纵轴属性数值。注训练数据库中的，每个点代表个属性值，横轴代表属性顺序，纵轴代表属性值图组异常数据如图图为两组库中地数据，大多数属性属于个范围空间，这种情况在属于相似性很大地情况，很难区分开来。纵轴以下比较集中，相似特征太多。结构过拟化。解决设想，减少隐层个数，生成随机，空间具有两类特征地数据。调参实验对上面三个实验地隐层进行调整，主要分别取个个个隐层单元进行训练测试。对实验调整隐层实验实验方式主要通过对训练数据库地训练，然后采用测试数据库进行测试统计，实验方案采用组测试数据与原训练数据库组两两计算，然后求和，结果为与元数据库整体相异地程度。根据数据分布，和原来测试结果进行对照分析。下摘取部分信息......”。

6、“.....的学生表示，有时会将自己的心事告知室友，寻求帮助，同时有的学生表示从来不会将自己的心事告诉室友。遇到问题起解决，是增进感情的途径之，宿舍成员之间交流心事有利于互相的加深了解，可以有效避免矛盾的产生的学生表示，在室友遇到困难或者心情不好时，会主动帮助其解决问题，也有的同学表示会在室友求助后提供帮助，仅有的同学表示，即便室友求助，也不会提供帮助。整体而言，室友间遇到问题或困难大都乐意互相帮助。见表至表。表兰州市大学生宿舍交流频率比较，查表可得，，所以，按的检验水准，可认为大学生宿舍交流频率在性别上有差别。表兰州市大学生宿舍互助频率比较统计指标性别经常有时很少交流频率男女统计指标性别经常有时很少本科生毕业论文兰州市大学生宿舍人际关系现状调查与分析，查表可得，，所以，按的检验水准，可认为大学生宿舍互助频率在性别上有差别。表兰州市大学生宿舍中互助主动性比较，查表可得，，所以，按的检验水准，可认为大学生宿舍中互助主动性在性别上没有差别。宿舍集体活动情况在宿舍集体活动的作用认同上，超过的调查学生认为宿舍集体活动能够增进舍友感情，很有意义，的同学认为宿舍集体活动单纯的吃喝玩乐，可有可无......”。

7、“.....见表表。表兰州市大学生宿舍集体活动频率比较统计指标性别经常有时很少集体活动频率男女，查表可得，，所以，按的检验水准，可认为大学生宿舍中集体活动频率在性别上有差别。表兰州市大学生宿舍集体活动参加情况比较统计指标性别经常有时很少集体活动参与程度男女，查表可得，，所以，按的检验水准，可认为大学生宿舍中集体活动参加状况在性别上有差别。互助频率男女统计指标性别经常有时很少互助主动性男女宿舍矛盾状况在调查中发现，在宿舍矛盾产生原因的认同上，的同学认为性格差异是导致矛盾产生的主要原因，同时分别有和的同学认为，矛盾产生的主要原因是生活习惯差异和利益冲突见表表。表兰州市大学生宿舍人际关系中矛盾发生频率的性别比较，查表可得，，所以，按的检验水准，可认为大学生宿舍中矛盾发生频率在性别上存在差别。表兰州市大学生宿舍人际关系中矛盾发生频率的年级比较，查表可得，，所以，按的检验水准，可认为大学生宿舍中矛盾发生频率在年级上存在差别。宿舍人际关系状况在宿舍人际关系的相关调查中，的学生认为宿舍就像家样，对我影响很大，有的学生认为宿舍人际关系对我有影响，但不重要......”。

8、“.....其他人对我没影响。大部分学生对宿舍人际关系还是保持定的关注，并且认为宿舍中的人际关系对自己的生活多少都有影响。而在对高校宿舍中人际关系现状的调查结果中，大部分学生还是认为宿舍内关系大体和谐，和室友相处融洽，并且有意愿通过些方式进步改善宿舍人际关系现状。统计指标人数经常有时偶尔很少从不性别男女统计指标人数经常有时偶尔很少从不年级大二大三本科生毕业论文兰州市大学生宿舍人际关系现状调查与分析结论从调查结果分析，可见兰州市大学生宿舍人际关系总体上是融洽的，宿舍各成员虽然偶尔会发生矛盾，但都期望能号异常与否计算结果分布表个隐层测试结果前组单位相似度序号异常与否计算结果分布表个隐层测试结果前组单位相似度序号异常与否计算结果分布通过表表表表计算结果分析，没有出现较好区分度，无法做未知数据异常与否地判断。同时也可看到与上面实验样结果，证明不是算法问题，而是数据特征不好区分。对实验二调整隐层实验实验方式，调整隐层神经单元个数分别做次，每次训练完的权值去计算测试数据库，然后通过已知结果，统计异常点与非异常在到之间的分布情况，看是否有区分度较高地方案......”。

9、“.....采用多分类器方法对数据集合进行学习，还是具备定地可行性。当然实际应用还会出现其他很多需要解决地问题。通过实验后面实验过程多特征地实验地经历，可以知道如果做分类器对待多特征可以采用多网络学习。同时对于出现特征交叉的问题，比如数据组的前几个属性和数据组前几个属性样，然后最后属性存在不同，属于不同类异常和非异常，对与这种情况很难处理。时间限制未作深入研究。总结与展望综上分析所述，具备定特征分类能力，但是要通过这种分类能力去做异常点检测需要考虑很多因素，并且需要做很多辅助工作。特别是对于不同类数据而且特征较少数据，难以分离区别。假设应用神经网络做异常点检测，实际应用则采用充当分类器，并且根据特征采用多分类器结构，解决数据多特征问题。同时对于那些不同类而且是数据特征相似性较大比如很多属性处在相同空间范围，局部属性不同则需要采用更多神经网络训练这些特征，以便分离，或者采用专家系统方式，对这些具备相似性较高而又不同类进行量化可控地判断。同时对于超出已知范畴特性地数据，进行保存处理，训练出新的神经网络，同时通过人工专家系统进行更新。这样保证在可控范围能得到更高准确性。同样如果能够有好地方案......”。