物联网中基于KNN和BP神经网络预测模型的研究

物联网中,无线传感器网络由于环境、资源等因素的变化和限制,会导致部分数据异常或丢失,使数据传输的可靠性降低。因此常用的BP神经网络方法在根据最终获取数据进一步处理时的准确性不高。提出K近邻算法和BP神经网络相结合的二阶段预测模型,先使用K近邻算法对BP神经网络输入数据中异常或缺失数据进行估值和替换预处理,同时进行初步预测,然后将预处理后的数据输入BP神经网络,综合BP神经网络和KNN的预测结果给出最终结论。实际环境中实验表明,所提出的模型能够有效地提高物联网环境中预测的准确度和稳定性。     

机动目标的跟踪与反跟踪

以WGS－84标准的地心坐标系作为统一坐标系,通过建立机动目标的跟踪模型,实时预测机动目标的轨迹,并提出了机动目标的跟踪与反跟踪策略。首先考虑了单目标跟踪问题,提出了基于改进的MeanShift算法的目标跟踪模型,使用此模型提取聚类点,并对这些聚类点进行B样条曲线拟合,得到光滑的航迹。其次考虑了两目标跟踪问题,建立了基于最近邻及改进MeanShift算法的目标跟踪模型,利用最小二乘法对航迹数据进行二次曲线拟合,分析机动目标加速度变化规律,并通过判断拟合曲线上的点与球面位置关系,提出了两种着落点预测方法。最后分析了机动目标如何反雷达跟踪的问题,提出了反跟踪策略。     

基于K-近邻树的离群检测算法

为适应数据集分布形状多样性以及克服数据集密度问题,针对已有算法对离群簇检测效果欠佳的现状,提出了一种基于K-近邻树的离群检测算法KNMOD(outlier detection based on K-nearest neighborhood MST).算法结合密度与方向因素,提出一种基于K-近邻的不相似性度量,然后带约束切割基于此度量构建的最小生成树从而获得离群点.算法可以有效地检测出局部离群点以及局部离群簇,与LOF、COF、KNN及INFLO算法的对比结果也证实了算法的优越性能.     

基于近邻传播聚类的集成特征选择方法

针对高维数据中的类标记仅与少部分特征关联紧密的问题,提出了基于排序聚合和聚类分组的特征随机选择集成学习方法。采用排序聚合技术对特征进行过滤,选出与样本分类相关的特征,以bicor关联系数作为关联衡量标准,利用近邻传播聚类算法进行分组,使不同组的特征互不关联,然后从每个分组中随机选择一个特征生成特征子集,便可得到多个既存在差异性又具备区分能力的特征子集,最后分别在对应的特征子空间训练基分类器,采用多数投票进行融合集成。在7个基因表达数据集上的实验结果表明,提出的方法分类误差较低,分类性能稳定,可扩展性好。     

基于监督协同近邻保持投影的人脸识别算法

基于流形学习理论的近邻保持嵌入算法(Neighborhood Preserving Embedding,NPE)能够发现数据集中隐含的内蕴结构,但当训练样本不足时,无法准确发现数据的内在流形结构,从而影响算法的识别效果.针对这一问题,对NPE算法进行改进,提出了监督协同近邻保持投影算法(Supervised Collaborative Neighborhood Preserving Projection,SCNPP).该算法在类别信息的指导下构建近邻图,使同类样本间的几何关系得到保持,利用协同表示弥补NPE因样本不足造成的表示误差,以一个有效保持样本近邻关系、准确发现数据内在流形结构的权值矩阵计算投影矩阵,提高分类效果.在FERET、AR和Extended Yale B人脸数据集上的实验验证了该算法的有效性.     

基于位置语言模型的中文信息检索系统的研究

在大多数现有的检索模型中常常忽略了如下事实:一个文档中匹配到的查询词项的近邻性和打分时所基于的段落检索也可以被用来促进文档的打分。受此启发,提出了基于位置语言模型的中文信息检索系统,首先通过定义位置传播数的概念,为每个位置单独地建立语言模型;然后通过引入KL-divergence检索模型,并结合位置语言模型给每个位置单独打分;最后由多参数打分策略得到文档的最终得分。实验中还重点比较了基于词表和基于二元两种中文索引方法在位置语言模型中的检索效果。在标准NTCIR5、NTCIR6测试集上的实验结果表明,该检索方法在两种索引方式上都显著改善了中文检索系统的性能,并且优于向量空间模型、BM25概率模型、统计语言模型。     

基于运动学方法的小卫星串行编队模型误差研究

针对小卫星串行编队构型设计,采用运动学方法建立串行编队相对运动数学模型。考虑偏心率等于零与不等于零时的两种情形,分别对所构建的运动学模型进行分析;采用MATLAB对相对运动学模型中包含的参考卫星半长轴与初始平近点角差进行仿真,将运动学模型计算结果与精确模型计算结果进行对比分析,得出初始平近点角差对编队模型误差的影响相对更大,为后续小卫星编队综合构形设计奠定基础。     

完备自适应近邻图嵌入的局部鉴别投影算法

针对基于自适应近邻图嵌入的局部鉴别投影算法（Neighborhood graph embedding based local adaptive discriminant analysis, LADP ）仅仅利用局部类内离差矩阵主元空间的鉴别信息而丢失了其零空间内大量鉴别信息的不足,结合全空间的基本思想提出了完备的基于自适应近邻图嵌入的局部鉴别投影算法（ Complete LADP,CLADP）。在局部类内离差矩阵的零空间内,通过最大化局部类间离差矩阵提取不规则鉴别特征,在局部类间离差矩阵的主元空间内,通过最大化局部类间离差矩阵的同时最小化局部类 内离差矩阵提取规则鉴别特征,最后将不规则鉴别特征和规则鉴别特征串联形成CLADP特征。在ORL,Yale以及PIE人脸库上的人脸识别实验结果证明了CLADP的有效性。     

基于k近邻的批次过程在线实时监测方法

针对基于k近邻的故障检测方法(Fault Detection method using the k-Nearest Neighbor rule,FD-kNN)的在线实时监测需预估当前时刻之后的采样数据,检测性能会受到预估精度影响的问题,对FD-kNN进行扩展以适用于批次过程的实时监测.该方法根据每个采样时刻的历史数据进行建模,并根据这些模型实时监测批次过程.该方法不需要预估数据,避免由于预估误差大而带来的误报和漏报问题,同时较好地继承k近邻法则(k-Nearest Neighbor rule,kNN)在处理非线性、多模态和非高斯等问题上具有的优势.青霉素发酵过程的仿真试验验证该方法可行.     

融合互近邻降噪的动态数据流分类研究

动态数据流分类挖掘应用场景逐渐增多,如何辨识出动态数据流中概念漂移和噪声信息成为数据流分类研究中的重点。因此提出一种具备噪声检测能力的动态数据流增量式分类挖掘模型解决此类问题。当动态数据流中出现样本信息与分类模型概念不相容时,采用互近邻思想检测样本是否为噪声,在此基础上用支持向量机作为学习器,通过增量式学习解决数据流中概念漂移。在两种不相容度量标准下,结合理论分析和实验,证明了所提的分类方案是有效可行的。