改进的动态最近邻聚类算法在传感器校正中的应用

针对动态最近邻聚类算法因中心点选取不当以及隐含层节点较少时,通近效果不理想的问题,提出运用改进的动态最近邻聚类算法构造RBF神经网络( IDARBF神经网络),对传感器输出特性进行校正,有效地克服了原算法存在的问题;实验表明,IDARBF神经网络具有更好的非线性校正能力,运用改进的动态最近邻聚类算法处理后,传感器性能大幅度改善,精度更高,暗伤检侧合格率为100,检测效率128个/min.     

改进的RBF神经网络在非线性系统中的应用

在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用。但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长。针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数。在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的。     

改进的RBF神经网络在非线性系统中的应用

在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用.但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长.针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数.在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的.     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

RBF神经网络在转炉提钒预报中的应用

该文用RBF神经网络建立了转炉提钒冷却剂预报模型。RBF网络的中心的选取采用了可以在线学习的最近邻聚类算法。为了进一步优化网络中心，提出了基于密度排名的最近邻聚类算法。该算法聚类前先将样本按其在样本空间的密度进行了排序，聚类过程始于样本空间最密集处。实践证明，该算法应用于提钒冷却剂预报模型的建立是合理的，可行的。     

MkNNI：基于相互最近邻的缺失值填充新方法

针对k最近邻填充算法（kNNI）在缺失数据的k个最近邻可能存在噪声,提出一种新的缺失值填充算法——相互k最近邻填充算法MkNNI（Mutualk-NearestNeighborImputa—tion）。用于填充缺失值的数据,不仅是缺失数据的k最近邻,而且它的k最近邻也包含该缺失数据．从而有效地防止kNNI算法选取的k个最近邻点可能存在噪声这一情况。实验结果表明．MkNNI算法的填充准确性总体上要优于kNNI算法。     

SMwKnn:基于类别子空间距离加权的互k近邻算法

互k最近邻算法(mKnnc)是k最近邻分类算法(Knn)的一种改进算法,该算法用互k最近邻原则对训练样本以及k最近邻进行噪声消除,从而提高算法的分类效果。然而在利用互k最近邻原则进行噪声消除时,并没有将类别属性考虑进去,因此有可能把真实有效的数据当成噪声消除掉,从而影响分类效果。基于类别子空间距离加权的互k最近邻算法考虑到近邻的距离权重,既能消除冗余或无用属性对最近邻分类算法依赖的相似性度量的影响,又能较好地消除邻居中的噪声点。最后在UCI公共数据集上的实验结果验证了该算法的有效性。     

基于马氏距离的缺失数据填充算法

最近邻算法由于操作简单,效果显著,无论在科研还是实际生活中都具有广泛应用。文章首先解释了基于欧式距离的最近邻算法在计算两个记录之间距离方面的不足,然后提出了基于马氏距离的最近邻算法,真实数据集的实验结果显示,改进后的最近邻算法能取得较好的成绩。     

基于正则化RBF神经网络的钢包精炼炉电极系统智能建模

通过RBF神经网络和模糊推理系统的比较，得出正则化RBF神经网络的输出特性，在此基础上利用改进的最近邻聚类算法确定网络的隐层节点个数和高斯函数中心，并估计输出层权值。仿真结果表明了所提方案的有效性。     

一种自适应k-最近邻算法的研究*

针对传统k-最近邻算法(k-Nearest Neighbor, kNN)存在搜索慢的缺陷,提出了一种改进型的自适应k-最近邻算法。该方法在以测试样本点为中心的超球内进行搜索,对超球半径的生长进行采样,建立半径生长的BP神经网络模型,逼近半径变化函数,并用该函数指导超球体的生长。该方法有效地缩小了搜索范围,减少了超球体半径生长的试探次数,对处理稀疏数据集有明显的优越性。     

求解旅行商问题的两个启发式算法的改进

文中提出了两种求解旅行商问题的改进启发式算法指引最近邻算法和选择"龙骨"的指数近邻搜索算法.指引最近邻算法是在经典的最近邻算法基础上提出的,从稳定性、解的质量以及解的结构来看,要优于最近邻算法.选择"龙骨"的指数近邻搜索算法则是利用指引最近邻算法中所得到的初始"龙骨",对指数近邻搜索算法提出的一种改进算法.理论分析及数值试验表明改进算法在部分实例中有它们的优越性.     

基于RBF神经网络的水处理系统建模与仿真

利用径向基函数(RBF)神经网络的特点,采用神经网络对活性污泥法水处理系统进行建模,提出了一种RBF网络学习的新算法,即将改进的减聚类算法和动态最近邻聚类算法相结合的算法.仿真结果表明,该算法先进有效,用其建立的模型具有较强的实用性,为实现水处理系统的在线实时预测控制提供了可行的途径.     

核最近邻凸包分类算法

为了增强最近邻凸包分类器的非线性分类能力,提出了基于核函数方法的最近邻凸包分类算法。该算法首先利用核函数方法将输入空间映射到高维特征空间,然后在高维特征空间采用最近邻凸包分类器对样本进行分类。最近邻凸包分类器是一类以测试点到各类别凸包的距离为相似性度量,并按最近邻原则归类的分类算法。人脸识别实验结果证实,这种核函数方法与最近邻凸包分类算法的融合是可行的和有效的。     

CBR技术在故障诊断中的改进

该文针对基于事例推理(CBR)方法中相似性度量公式(匹配函数)在故障诊断领域应用中存在的问题进行了研究。提出了事例特征分量距离的分区度量方法,以及局部权系数的神经网络迭代算法,并将其用于K-最近邻算法中,显示了该算法的优越性。     

一种新的基于统计的航迹关联算法

多源航迹融合一直是信息融合领域的研究热点。在对最近邻数据关联算法的研究基础上,提出一种新的"筒状"最近邻数据关联算法,对该算法进行仿真分析,与最近邻数据关联算法相比,新算法在密集环境下关联性能明显更优,易于工程实现。     

道路网络中的连续最近邻查询

为了减少连续最近邻查询中计算K个最近邻的次数和减小算法需要的存储空间,提出一种道路网络中求连续最近邻的方法。给出分点的计算方法及连续最近邻查询算法,对算法的正确性、可终止性进行证明,并分析算法复杂度。与相关算法进行实验比较,得出该算法更适合于对象频繁发生变化的实际网络。     

球面上的K最近邻查询算法

针对球面上数据对象点集的特征和K最近邻查询的需求,提出2种处理球面上K最近邻查询的算法:基于查询轴的K最近邻查询算法(PAM方法)和基于查询圆面的K最近邻查询算法(PCM方法).对2种算法进行实验比较,结果表明,PAM方法和PCM方法都适合处理球面上的最近邻查询问题,PAM方法在存储量和查询复杂度方面相对于PCM方法具...     

最近邻注意力和卷积神经网络的文本分类模型

随着自然语言处理(NLP)的不断发展,深度学习被逐渐运用于文本分类中.然而大多数算法都未有效利用训练文本的实例信息,导致文本特征提取不全面.为了有效利用对象的实例信息,本文提出最近邻注意力和卷积神经网络的文本分类模型(CNN-AKNN).通过引入基于加权卡方距离的最近邻改进算法训练文本,构建文本对象的注意力,然后将注意力机制与卷积神经网络相结合实现全局特征与局部特征的提取,最后通过softmax函数进行文本分类.本文采用搜狗新闻语料库、中山大学语料库以及英文新闻语料库AG_news进行大量实验,结果表明本文所使用的改进算法相较于基准算法效果更优,更有利于提取模型的隐含特征.     

自组织映射神经网络在粒子图像匹配中的研究

研究了动态粒子图像追踪过程中的误匹配问题,提出了基于自组织映射(SOM)神经网络的粒子图像匹配算法。该方法使用SOM神经网络将归一化相关算法与最近邻判断准则结合在一起。首先使用互相关算法估计初始匹配位置;然后根据不同相关度的位置信息构建SOM神经网络并使用近邻支持判断准则选择最佳匹配位置。经SOM神经网络改进的粒子图像匹配算法大大减少了伪矢量的数量,增强了实际的处理能力;最后,使用人工合成的粒子图以及真实流场中的粒子图像进行了算法验证及误差分析。结果表明,该算法在分析精度方面有很大的提高并且具有很强的鲁棒性。     

改进RBFNN求机械臂轨迹跟踪的研究

为了使机械臂准确跟踪目标轨迹,达到控制精度高、实时性好的目的,提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数,对其参数进行改进和优化,同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。