一种改进的散乱数据点的k近邻快速搜索算法

提出了一种基于二次分割的自适应最小包围盒的栅格化策略，提高了散乱数据点k近邻搜索算法的速度。采用传统分块算法对点云空间进行首次分割，在此基础上估算点云平均点距，并利用平均点距估算结果对点云数据空间重新进行划分。分块结果使得k近邻搜索算法的搜索范围大大缩小，搜索速度明显提高。     

基于改进Kd-Tree构建算法的k近邻查询

k近邻查询算法是查询大规模空间数据的常用算法之一,使用Kd-Tree先构建大规模空间数据的索引,然后对搜索空间进行层次划分,再进行k近邻查询,能保证搜索的效率。但是,传统的Kd-Tree构建有两个缺点：使用测试数据点进行k近邻查询每次都需要回溯到根节点,影响了查询的效率;Kd-Tree使用split域对空间进行层次划分,空间划分为立方体（二维数据表现为矩形）,多边形空间在相交判断时会出现没必要进行数据距离比较的多余空间,这样会影响查询的效率。针对这两个缺点,本文提出了相应的改进算法---RB算法。实验结果证明,该算法比传统的KD算法拥有更高的查询效率。本文的主要贡献有两点：（1）构建一种快速创建Kd-Tree索引来支持KNN算法进行大规模数据的分类查询操作。（2）改进传统的Kd-Tree索引构建方法,提出新的改进算法RB算法,提高KNN算法查询的效率。     

基于仿生优化算法的聚类改进算法

为提升聚类算法的聚类效果, 采用仿生优化算法与k 均值聚类算法相结合(BFOA-K)实现数据聚类。在聚类过程中, 为解决k 均值对于初始质心敏感以及容易陷入局部最优的问题, 使用果蝇优化算法确定k 均值聚类算法的质心, 再使用k 均值聚类算法进行数据聚类。针对果蝇优化算法对于飞行步长的影响, 采用F分布动态改变步长, 提升算法全局搜索能力。同时采用精英保留策略, 提升果蝇种群的多样性, 扩大了搜索范围和提升了搜索效率。利用4 个UCI 标准数据集对算法进行仿真实验, 结果表明, 本文提出的BFOA-K 算法在各项聚类评估指标中都优于其余对比算法, 提升了算法的收敛性, 证明了算法的有效性和可行性。     

度量空间中基于距离孤立点的快速挖掘

将数据点的k最近邻（k-NN）距离作为孤立程度指标能够有效地发现数据集中的孤立点,但是基本算法需要O(N2)次数据点间的距离计算,不适用于大数据集.为此提出了一种利用度量空间中三角不等式的快速挖掘算法--提前修剪（ADVP）.ADVP利用每次k-NN查询中保存的近邻点到被查询点的距离计算出近邻点的孤立程度上界.孤立程度上界小于已发现最弱孤立点的孤立程度的数据点可被修剪而无须进行k-NN查询.基于抽样方法优化了搜索次序以提高修剪效果.同时将ADVP自然地扩展为增量式算法.在标准大数据集上的实验结果表明,ADVP和现有算法相比明显节省了计算开销,具有更好的伸缩性;增量式ADVP能够有效地处理新增数据.     

基于近邻搜索空间提取的LOF算法

针对局部异常因子(local outlier factor,LOF)异常检测算法时间空间复杂度高、对交叉异常及低密度簇周围异常点不敏感等局限,提出了基于近邻搜索空间提取的LOF异常检测算法（isolation-based data extracting LOF,iDELOF）,将基于隔离思想的近邻搜索空间提取(isolation-based KNN search space extraction,iKSSE)前置于LOF算法,以高效剪切掉大量无用以及干扰数据,获得更加精准的搜索空间。基于此完成了理论以及4组实验分析,每组实验分别进行iDELOF算法与LOF、iForest、iNNE等多种典型算法的对比分析。结果表明:iDELOF算法通过拉大正异常点局部离群因子的差距,增强了对交叉异常以及低密度簇周围异常点的识别能力,提升了LOF的检测效果；iDELOF算法在识别轴平行异常方面与LOF同样具有明显优越性；iDELOF算法通过iKSSE所获数据子集显著小于原数据集,多数子集数据量小于原数据集的1%,因此iDELOF的时间空间复杂度显著降低,且原数据集数据量越大,优越性越明显,当数据量足够大时,iDELOF算法的运行时间将低于IF算法。     

用于RBF-SVM参数搜索的伪梯度动态步长算法

针对基于径向基核函数(RBF)的支持向量机(SVM)超参数选择问题,提出了一种基于差分方程的新算法——伪梯度动态步长算法。该算法根据径向基核函数的特点提出由训练集的空间特性确定的核参数搜索范围,并采用对数刻度表示搜索空间;利用参数空间中SVM在两个临近点的分类精度的变化估计参数的搜索方向,并且随着搜索方向的变化动态调整搜索步长,从而实现较快的搜索。通过与Grid和PSO方法的对比实验,表明该算法具有良好的性能。     

基于相关反馈的高维图像检索方法

传统索引方法在高维情况下会面临维数灾难问题，基于向量近似的索引方法是有效的高维检索方法．对向量近似方法中k近邻搜索算法加以改进，应用到基于相关反馈的交互式图像检索系统中．根据反馈过程前后的距离变化特性，在进行k近邻搜索过程中，将上轮次的查询结果和用户反馈信息用作过滤信息，可减少特征向量的访问数量．在大容量真实图像数据库上的实验表明，将新算法应用干相关反馈过程的图像检索中，可提高k近邻搜索速度．     

基于可变k近邻LLE数据降维的图像检索方法

在基于内容的图像检索中,其计算复杂度随着描述图像内容的特征向量的维数的增加而急剧增加,而应用局部嵌入算法(LLE)进行数据降维时,需要确定近邻点k的个数。根据图像特征在原空间的分布情况,提出了一种可变k近邻LLE的数据降维方法,使得降维后的特征向量有效地保持了其在高维空间中的拓扑结构。实验结果表明,提出的可变k近邻LLE数据降维方法在基于内容的图像检索中有较高的检索准确率。     

基于自然近邻与协同过滤的API推荐方法

为了解决由于近邻选择不恰当导致的推荐性能下降问题,提出基于自然近邻与协同过滤的API推荐方法——N-APIRec. 该方法利用BM25算法将项目转换成向量,以自然近邻算法筛选数据集中的相似项目以减少搜索范围,从相似项目中筛选相似的方法声明,通过协同过滤的方式推荐API. 将N-APIRec在MV、SH数据集上与前沿方法进行实验对比,结果验证了N-APIRec的有效性,在MV、SH数据集上的推荐成功率分别为77.38%、30.00%,优于现有方法.     

面向多维对象的RC-反k近邻查询新方法

分析现有反k近邻(reverse k nearest neighbor,RkNN)查询在效率、数据维度等方面的不足,提出基于R树结点覆盖值(R-tree’s cover-value)的RC-反k近邻查询方法.该方法需预先计算R树每个结点的覆盖值,采用过滤-精炼两步式处理方法,在过滤阶段采用两种剪枝启发式.该方法可有效处理数据库更新,适用于任意k值、任意维的对象集,查询结果精确,且计算量较小.实验结果表明,在k>6时RC-反k近邻查询时间比同类工作更短.     

面向复杂形面匹配的边界特征提取方法

针对车身封闭件装配过程中的匹配优化问题,提出一种面向复杂形面匹配的边界特征提取方法.对匹配边界特点进行分析,确定边界点的提取信息、采样间距大小及其搜索邻域.对采样后的点云数据,建立k-d树进行索引.对采样点在搜索邻域内的邻近点建立最小二乘微切平面,利用投影到微切平面局部坐标系内的邻近点分布特性,判断边界特征点及其匹配特征.案例分析验证了该方法在处理复杂形面匹配边界特征点提取时的有效性,在不影响匹配效果的前提下,本文方法可显著提高复杂形面边界特征的提取效率.     

基于Voronoi图的反向最近邻查询方法研究

为了解决数据集中数据点的反向最近邻问题,利用Voronoi图及空间分割区域的性质计算查询点的反向最近邻,通过Voronoi图的特性可免去每次都计算数据集中给定查询点的最近邻的步骤,每次查询可过滤出少数的几个数据点并对其进行反向最近邻的判断.给出了在数据点被加入或删除时,对查询点的反向最近邻变化情况的判断方法与算法.为了便于数据库查询,设计了相应的空间存储数据结构.比较分析表明,该方法较适用于平面及复杂曲面上的数据点的反向最近邻的查询.     

基于点云数据的立木树干局部曲面拟合及拓扑结构

基于海量测量点云数据加工处理的关键是通过获得点云的局部特征拓扑结构来精简数据,而其算法的效率尤为重要。本研究首先对缺乏足够几何拓扑信息的点云,建立每个数据点邻近点的几何拓扑信息,同时综合运用重构管道曲面和随机霍夫变换算法,对立木树干进行拟合。实验结果表明,其效果明显优于双三次Bezier曲面插值拟合法。然后改进求取K近邻获取拓扑信息的算法,也得到了良好的精简效果。     

An improved seed growth method for accurate stereo matching in disparity space

Matching is a classical problem in stereo vision.To solve the matching problem that components cannot continue growing on the occlusions region and repetitive patterns,an improved seed growth method is proposed.The method obtains a set of interesting points defined as initial seeds from a rectified image.Through global optimization the seeds and their neighbors can be selected into a match table.Finally the components grow with the matching points and create a semi-dense map under the maximum similar subset according to the principle of the unique constraint.Experimental results show that the proposed method in the grown process can rectify some errors in matching.The semi-dense map has a good performance in the occlusions region and repetitive patterns.This algorithm is faster and more accurate than the traditional seed growing method.     

多种匹配算法的结合在影像全自动内定向中的应用

本文首先将两种匹配算法即金字塔分层匹配和基于遗传算法的影像匹配运用于全自动内定向中框标点的预匹配,再利用最小二乘匹配进行框标点的精匹配。为减小搜索范围,提高定向速度,本文还提出了一种新的框标点概略定位方法。实验证明该算法自动化程度高、快速、有效。     

几乎最佳屏蔽二进序列偶的研究

提出一种新的最佳相关信号，即几乎最佳屏蔽二进序列偶，研究了其变换性质和存在的组合允许条件，运用这些性质和条件可以缩小几乎最佳屏蔽二进序列偶的搜索范围，提高计算机搜索的效率. 在此基础上编写了计算机搜索算法，搜索出若干长度的几乎最佳屏蔽二进序列偶. 搜索结果表明几乎最佳屏蔽二进序列偶具有较大的存在空间，因而可以应用到工程中.     

基于边特征的点云数据区域分割

为了提高反求工程建模的效率,提出了一种基于空间栅格的区域分割方法.该方法采用二次抛物面模型计算散乱数据点的曲率,利用空间栅格结构建立散乱点的拓扑关系,根据栅格中数据点与栅格中心点的相对位置计算栅格曲率以及相邻栅格间的曲率差值,由曲率差函数判别并抽取边特征栅格.通过特征栅格的空间位置与曲面栅格的连通性实现了空间散乱数据的区域分割. 工程应用实例表明: 该方法能够直接处理点云数据而无需构建三角网格,具有运算简单,稳定性高等特点.可有效解决具有曲率突变性的点云数据的区域分割及特征提取问题.     

基于冲突指派集求解作业排序问题的深度优先搜索方法

通过研究作业排序问题的特点，引入冲突指派集的概念，提出了基于冲突指派集的深度优先搜索方法，缩小了搜索范围，提高了搜索效率．     

基于近邻传播的快速搜索聚类算法研究

为了能够快速准确地发现自然分布的、任意形状密度变化的聚类,提出了基于近邻传播的快速扫描算法,该算法利用最近邻居关系的传递特性实现数据集合的完全聚类,简化了传统聚类方法的最近邻居判定和计算,优化了搜索过程,实现了快速聚类分析过程。通过与同类算法的比对验证,结果表明该算法对目标数据集合的任意分布特性有很好的适应能力。     

基于最小均方误差和稀疏特征的欠定盲源分离

针对欠定条件下的盲源分离问题,即观测信号个数小于信源个数的情况,提出了一种基于最小均方误差和稀疏特征的算法.首先,利用变换后信源的稀疏特征,采用一新的势函数通过聚类算法估计混叠矩阵.然后利用混叠矩阵和信源自身的相关性,通过寻找信源在聚类方向时间点上的精确值,以均方误差最小为准则寻找最佳分离矩阵实现信源的分离,克服了传统的分离算法在寻找最佳分离子矩阵方面的缺点.仿真结果显示使用该方法分离的信号具有更高的信噪比,和其他同类方法相比具有更优越的分离性能.