基于最近邻数据关联法的安瓿溶液可见异物目标跟踪

运动目标跟踪是安瓿溶液可见异物检测的关键所在,数据关联在信息融合的基础上能很好对目标对象的相关性做出判断。结合运动状态预测的最近邻数据关联法,在目标先验知识不足、特征信息贫乏的条件下,能够有效地对潜在目标对象进行跟踪,从而做出杂质相关性判断。     

基于K-最近邻算法的管道系统传感器数据有效性分析研究

在管道运输中传感器的正常使用至关重要,为了防止因传感器故障而导致的数据采集失效,造成误报警和漏报警,对传感器本身的故障诊断和失效分析已经成为当前研究的重要方向.通过对各传感器采集数据进行组合分析,以各传感器之间的数据关联特性作为研究内容,运用K-最近邻算法对管道上传感器所采集数据进行相似性拟合,提出采用C4.5算法定义各传感器所采集数据对目标传感器的支持度以决定目标传感器数据的有效性,对故障传感器运行状态进行分析与定位,进而判断传感器的数据可靠性和输差出现位置.实验结合西南某管道流量传感器数据进行分析,结果表明,该算法能够准确判断目标传感器数据的有效性和故障传感器在时域中发生的位置.     

基于聚类分析的缺失数据最近邻填补算法

数据缺失在各个研究领域中普遍存在,缺失的数据会对计算的性能与结果产生严重的影响。为提高填补缺失数据的准确度,提出一种基于聚类分析的缺失数据最近邻填补算法。该算法在对数据聚类分析后根据类别分配权重,在MGNN(MahalanobisGray and Nearest Neighbor)算法的基础上改进了计算方法和填充值的计算方式。实验结果表明,该方法填补的准确度比传统KNN和MGNN算法要高。     

一种基于自适应最近邻的聚类融合方法

聚类融合通过把具有一定差异性的聚类成员进行组合,能够得到比单一算法更为优越的结果,是近年来聚类算法研究领域的热点问题之一。提出了一种基于自适应最近邻的聚类融合算法ANNCE,能够根据数据分布密度的不同,为每一个数据点自动选择合适的最近邻选取范围。该算法与已有的基于KNN的算法相比,不仅解决了KNN算法中存在的过多参数需要实验确定的问题,还进一步提高了聚类效果。     

融合PLS监督特征提取和虚假最近邻点的数据分类特征选择

在高维数据分类中,针对多重共线性、冗余特征及噪声易导致分类器识别精度低和时空开销大的问题,提出融合偏最小二乘(Partial Least Squares,PLS)有监督特征提取和虚假最近邻点(False Nearest Neighbors,FNN)的特征选择方法:首先利用偏最小二乘对高维数据提取主元,消除特征之间的多重共线性,得到携带监督信息的独立主元空间;然后通过计算各特征选择前后在此空间的相关性,建立基于虚假最近邻点的特征相似性测度,得到原始特征对类别变量解释能力强弱排序;最后,依次剔除解释能力弱的特征,构造出各种分类模型,并以支持向量机(Support Vector Machine,SVM)分类识别率为模型评估准则,搜索出识别率最高但含特征数最少的分类模型,此模型所含的特征即为最佳特征子集。3个数据集模型仿真结果:均表明,由此法选择出的最佳特征子集与各数据集的本质分类特征吻合,说明该方法:有良好的特征选择能力,为数据分类特征选择提供了一条新途径。     

基于最近邻距离差的改进孤立点检测算法

k最近邻孤立点检测算法的检测结果受用户设置参数的影响较大,并且无法判定孤立点强弱,针对该缺陷,引入阈半径和密集度阈值,提出基于最近邻距离差的孤立点检测算法.通过在多个数据集上的实验表明,改进算法扩大了参数的设置范围,降低了参数对结果的影响,并能够有效检测出强孤立点,用户通过调整密集度阈值,可以判定孤立点强弱,改进算法增强了原算法的稳定性和灵活性.     

基于数据关联的多雷达点迹融合算法研究

在典型应用场景下,针对传统数据关联算法易于产生目标跟踪丢失的问题,提出了并行多传感器联合概率数据关联算法(PMSJPDA),给出行多传感器联合概率数据关联算法的实现流程,并对该算法进行理论分析。最后采用两部典型雷达构成PMSJPDA数据融合系统,对其算法的目标跟踪精度进行仿真,仿真结果表明,所提出算法可有效改善对目标的跟踪性能,提高了对目标的跟踪精度。     

室内双色数据集上的反向最近邻查询

随着Wi-Fi、RFID等室内定位技术的发展,产生了越来越多的基于室内空间的位置服务需求。目前已有文献提出了针对室内环境的范围查询和最近邻查询,而双色反向最近邻（bichromatic reverse nearest neighbor,BRNN）查询作为常见的空间查询类型,在室内空间中尚未有相关的研究。为此,提出了基于兴趣点集合的兴趣点融合图模型,并提出了基于路径、基于楼层和基于单元的3种剪枝策略,用于在查询处理时削减搜索空间。在兴趣点融合图和剪枝策略的基础上,提出了室内双色反向最近邻（indoor bichromatic reverse nearest neighbor, IBRNN）查询算法Smart。Smart算法通过对兴趣点融合图中的图元素的检查,从而判断与该图元素关联的移动对象是否有可能属于结果集。最后通过实验,对所提算法的有效性和高效性进行了验证。     

不确定性对象的反向最近邻查询

多数不确定性对象的反向近邻查询不能明确回答某个不确定性对象是否为查询对象的反向最近邻,针对该问题,提出概率反向最近邻查询的概念,设计不确定性对象的概率反向最近邻查询的索引结构,给出一种基于该结构的不确定性对象的反向最近邻查询算法。     

多传感器多目标检测中的数据关联

研究在漏检、无杂波情况下多传感器对数目未知的目标检测中数据关联问题,并将其表述为多传感器数据集之间数据的组合化分配问题,提出一种基于ＧＡ的关联算法。仿真实验表明,该算法具有较高的关联成功率,可大幅度提高多传感器的检测概率,并能对目标个数进行优化。     

面向低维点集配准的高效最近邻搜索法

为提高点集配准效率,设计一种适用于二维/三维点集的高效最近邻搜索法.该方法根据由模型点集的各维方差所选定的维度信息,排序模型点集中的点.借助二分查找法,将数据点集中的每个点插入至排序后的模型点集中,并利用左边第一个点确定搜索范围的上确界.当在确定范围内搜索最近邻时,可根据当前结果进一步减小待搜索范围,以便快速获得各点的最近邻.最后进行的复杂度分析和实验结果对比均验证文中方法的有效性.     

利用最近邻信息快速分类多标签数据

为克服ML-KNN在分类效率方面的局限性,提出了一种基于KNN的快速多标签数据分类算法FKMC,利用待分类实例的k个最近邻的局部信息进行排序分类。从已分类数据实例集中选择待分类数据实例的k个最近邻;根据每个最近邻拥有的标签数和每个标签归属的最近邻数对待分类实例进行排序分类。仿真结果表明,最近邻的选择方法对分类器性能有显著的影响;在分类效果上FKMC与ML-KNN相当,有时甚至优于后者;而在分类效率上FKMC则显著优于ML-KNN。     

支持无线传感器网络多目标跟踪的最邻近数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开销大。在构造有效矩阵的过程中基于最邻近方法的联合概率数据关联算法,结合最部近数据关联算法的思想,选取统计距离最小的3个有效量测构成有效矩阵,从而简化了有效矩阵,减少了原有算法的计算量。     

面向非平衡混合数据的改进计数最近邻分类算法

非平衡混合数据是指数据集中类别不同的样本在数量上存在着较大的差别;同时样本数据集中的数据是非单一的数据类型,即它包含多种类型,如数值型和文本型数据。在对混合型数据的分类算法中,计数最近邻分类算法（CwkNN）可以有效地对混合型数据进行分类,但该算法对数据的非平衡性处理效果不是太理想。在CwkNN的基础之上结合数据的非平衡性特点提出了基于全局密度和K-密度的分类算法来提高少数类样本的权重,从而提高数据的分类精确度。实验结果表明,全局密度分类算法和CwkNN算法的分类精度相当,K-局部密度分类算法在一定程度上提高了分类的精度。     

基于模糊最近邻的高维数据聚类

提出一种基于模糊最近邻的聚类算法(简称FNNC算法)．FNNC算法通过加权共享最近邻图来形成簇，而且仅仅使用对象图中一些有用的连接．本文通过实验验证了FNNC算法在高维数据聚类中的有效性．     

一种结合关联限制的最近邻分类策略

研究关联限制在最近邻分类中的应用,提出结合关联限制的最近邻分类算法PCNN.算法分成两个阶段:首先通过自学习过程,成对地添加施加关联限制的样本对;然后再进行一般的最近邻分类.引入最大半径和有效距离,并进一步给出自学习时样本对的评估方法,并且基于实验结果进行了分析.由于来自运输企业的行车数据能够较容易地施加关联限制,本算法比行车数据分类算法CIRP更为经济.对4个UCI数据集的分类结果也显示了算法的有效性.     

基于不确定数据的top-k概率相互最近邻查询*

不确定数据上的概率相互最近邻查询具有重要的实际应用,针对目前关于这方面的研究尚少,提出了不确定数据上的概率相互最近邻的top-k查询算法。首先对问题进行描述与定义,其次总结可行的裁剪规则,从而裁剪查询对象中未计算的实例点。通过实验表明,该算法能有效地降低最近邻查询中的I/O开销,提高查询的响应速度。     

激光散乱点云K最近邻搜索算法

针对激光散乱点云的数据量大,且具有面型的特点,为降低存储器使用量,提高散乱点云的处理效率,提出了一种散乱点云K最近邻（KNN）搜索算法。首先,利用多级分块、动态链表的存储方式,只存储非空的子空间编号。对相邻子空间进行3进制编码,利用编码的对偶关系,建立相邻子空间之间的指针连接,构造出包含KNN搜索所需的各类信息的广义表,然后再搜索KNN。KNN搜索过程中,在计算被测点到候选点距离时,直接删除筛选立方体内切球之外的点,可将参入按距离排序的候选点数减少为现有算法的一半。依赖K值和不依赖K值的分块原则,均可计算不同的K邻域。实验结果表明,该算法不仅具有低的存储器使用量,而且具有较高的效率。