最近邻分类方法的研究

研究最近邻分类方法,应用S近邻技术的思想建立分类模型,设计一个新的S近邻(shelly nearestneighbor,SNN)分类算法,克服了七近邻(k nearest neighbor,kNN)分类算法在最近邻选择上可能存在偏好的问题.通过对传统的k近邻和新构造的S近邻分类算法的思想、关键技术等方面的分析,以及在U...     

改进的k-nn快速分类算法

针对传统的k-近邻(k-nn)方法的缺点,将聚类中的K均值和分类中的k近邻算法有机结合,提出了一种改进的k-nn快速分类算法。实验表明该算法在影响分类效果不大的情况下能达到快速分类的目的。     

一种基于自然最近邻的离群检测算法

任何涉及k近邻求解问题的算法被应用于处理不同特征的数据集时,参数k值的选择都会明显影响算法的性能和结果。因而,如何选择k近邻算法中敏感参数k值一直是一个研究难点。提出了一种新的近邻关系———自然最近邻,它不需要设置参数k,每个节点的邻居是由算法自适应计算而形成的。针对离群点检测的特殊性,通过确定自然最近邻居搜索算法的终止条件,提出一种基于自然最近邻的新的离群检测算法ODb3N。实验表明,该算法不仅避免了k近邻中参数的选择问题,而且能够更有效地发现离群簇。     

一种快速高效的文本分类方法

论文讨论了两个常用的文本分类算法:向量空间法和k近邻方法。前者速度快,但是分类精度通常不能令人满意。后者则相反,它在分类时要花费更多的时间,但分类效果要好很多。通过综合它们的优点提出了一个新的文本分类算法:向量空间法和k近邻的组合方法。试验表明,新算法能在较少的时间复杂度上达到甚至超过k近邻的分类效果。     

路网中互近邻查询处理方法

提出路网中的互近邻查询问题.给定路网G(V,E),对象集P,查询点q,近邻数k1和k2,互近邻查询返回既是q的k1近邻,又是q的反k2近邻的对象集.为解决该问题,首先提出基础算法,即先求出查询点q的k1近邻作为候选,再验证这些候选是否为真正的结果.然后,在此基础上提出了优化算法,根据落在对象点与查询点最短路径边上的标记点个数直接排除掉一些错误的候选对象.最后,通过实验验证了优化算法的有效性.     

基于多标签k近邻方法实现元启发式算法的排名推荐

设计并研究一种基于多标签k近邻方法(multi-label k-nearest neighbor, ML-k NN)推荐元启发式算法的实现框架.应用多标签k近邻分类学习技术,实现最佳元启发式算法的排名推荐.为了验证效果,以多模式资源约束项目调度问题(MRCPSP)为优化对象,选取不同规模的数百个算例分别提取问题基本特征和地标特征;选用遗传、粒子群、禁忌搜索、蜂群和蚁群5种元启发式算法,使用ML-k NN建立元推荐模型;利用海明损失、单错误率、覆盖率、排位损失和平均准确率5个指标对推荐效果做出分析和评价.实验结果表明,基于ML-k NN方法推荐元启发式算法效果突出,其中基于地标特征的单错误率指标为18.4%,平均准确率达到88.9%.相对于k NN方法, MLk NN取得了更好的推荐结果.此外, ML-k NN方法可以实现对所有备选算法的排名推荐,该研究结论有望推广应用于其他组合优化问题的优化算法推荐.     

道路网络环境下的连续k近邻查询处理研究

针对基于道路网络的连续k近邻查询处理, 提出一种新的道路网络有向图模型, 分别利用基于内存的哈希表和线性链表结构对移动对象当前位置和道路网络有向图模型进行存储和管理.通过引入单向网络距离度量和双向网络距离度量, 提出单向网络扩展(UNE)算法和双向网络扩展(BNE)算法以支持不同语义的连续k近邻查询处理, 并采用影响树及网络扩展策略来减少连续k近邻查询更新的搜索代价. 实验结果表明, 上述两种算法性能优于目前的IMA和MKNN等连续k近邻查询处理算法.     

基于Relief的特征加权壳近邻分类算法

壳近邻分类算法克服了k近邻分类在近邻选择上可能存在偏好的问题,使得在大数据集上的分类效果优于k近邻分类,为了进一步提高壳近邻算法的分类性能,提出了基于Relief特征加权的壳近邻分类算法.该算法在Relief算法的基础上求解训练集的特征权值,并利用特征权值来改进算法的距离度量方法和投票机制.实验结果表明,该算法在小数据和大数据上的分类性能都优于k近邻和壳近邻分类算法.     

支持k近邻查询的X*树索引结构

通过分析已有的索引结构在进行k近邻查询时效率上的不足,提出了适合进行k近邻查询的X*树索引结构,采用了新的结点分裂算法,同时不需要额外存储结点分裂的历史信息。实验结果表明它比X树的时间和空间性能更好,更适合k近邻查询的应用。     

基于基因表达式编程的核k近邻分类算法

核k近邻分类算法在生物信息学和蛋白质结构预测等领域中的应用受到人们极大的关注.核函数在核k近邻分类算法的分类性能中起着重要的作用,如果核函数及其参数选择得当,则将获得较高的分类准确率.为了自动产生合适的核函数,提高分类的准确率,提出了一种基于基因表达式编程的核k近邻分类算法GEPKNN.该算法的基本思想是用基因表达式编程搜索与训练数据相关的核函数及其参数,在进化过程中用k折交叉验证评估个体的适应度.该算法克服了核k近邻算法的主观性和不确定性,能自动产生合适的核函数并提高分类的准确率.