基于采样压缩的加速K-NN分类方法

标准K-近邻分类方法(K-Nearest Neighbor,K-NN)在进行样本预测过程时,需要计算每一个待预测类别标记的样本与所有已知标记样本的距离,因此复杂度较高,无法处理含有大规模有标记样本的分类问题。针对这个问题,本文提出一种基于采样压缩的加速K-NN分类方法(K-NN Method Based on Sampling Compress,KNN__S)。该方法将采样思想引入到K-NN分类过程当中,即对于每一个新来的未知类别的待测样本,不是计算其与所有带类别标签样本的距离,而是通过采集一定数量的有标记样本,计算这部分有标记样本中距离待测样本最近的近邻样本,来对待测样本进行分类。实验结果表明,本文提出的KNN__S方法能够加速K-NN分类的过程。     

Entropy-KNN算法在岩性识别中的应用研究

为解决辽西隧道三号斜井正洞至出口区间岩性结构复杂多变、岩体破碎,识别岩性困难问题,利用该研究区隧道超前地质预报数据,经过滤波,得到岩石力学参数,提出基于属性值信息熵的Entropy-KNN分类模型识别岩性,使分类精度由70.3%提高至78.5%。KNN分类算法适合于多分类、多重合分类问题,可应用于岩性识别中。传统KNN方法只考虑不同类别临近点样本个数,距离加权-KNN方法只考虑不同类别临近点样本个数平均距离,分类效果欠佳。Entropy-KNN分类将传统KNN、距离加权-KNN与属性值信息熵结合,区别对待不同特征和不同样本点,为基于岩石力学参数识别岩性提供一种新的思路。     

基于TSP203系统和GA-SVM的围岩超前分类预测

 为有效地进行隧道围岩类别超前分类,提出基于TSP203系统和遗传–支持向量机的围岩类别超前分类方法。以TSP203系统为基础,从探测结果中提取有用信息,建立围岩类别超前分类指标体系,并采用支持向量机进行围岩超前分类预测。建立围岩类别超前分类指标体系时,采用TSP203中可有效识别的围岩分类参数来实现：岩体完整性系数、泊松比、静态扬氏模量、主要结构面与洞轴线的夹角、不连续结构面状态和地下水发育情况。确定支持向量机参数时,采用遗传算法在解空间里进行全局搜索,以改善支持向量机在围岩分类中的识别精度。最后将该方法应用于实际工程,结果表明该方法实际可行,在围岩类别超前分类中具有较高的准确性,为围岩类别超前分类提供了一种新思路。     

应用组合分类法对暂态电能质量扰动分类

有机地结合贝叶斯分类法、感知准则函数分类法和最小错分样本数准则分类法的理论优点,提出了一种新的组合分类方法.该方法保留贝叶斯法的最优特点,去除其使用的必备条件,保留了最小错分样本数准则分类法可对交叉样本分类,去除其计算复杂的缺点.与常用的最小错分样本数准则函数分类法以及贝叶斯分类法、感知准则函数分类法相比,该组合分类法在理论上具有最优分类、可对交叉样本分类、计算简便的优点.在对暂态电能质量扰动分类的仿真分析过程中,充分显示了新方法的上述优点.     

基于支持向量机集合的油浸式变压器故障诊断

油浸式变压器故障诊断是多分类问题。为了解决传统油浸式变压器故障诊断需要样本数据量大的问题,提出基于支持向量机集合的变压器故障诊断方法。将多分类问题分解为多个二分类问题的组合,变压器故障分为5个类别,构建10个支持向量机,每个支持向量机对应2个故障类别。样本每经过1个支持向量机都会获得1个可能的所属类别,当经过所有支持向量机后,通过投票法确定样本最终所属类别。通过模型训练,求得核函数的取值,建立模型。模型测试结果正确率达到86.25%,验证了方法的有效性,说明该方法适用于油浸式变压器故障诊断。     

概率论方法在云岭隧道围岩分类中的应用研究

公路隧道围岩的分类方法较多,大致可分为单因素和多因素法。每种方法都有其优点和缺点:多因素法往往比较复杂,使用起来不方便;而单因素法适应性不高,在某些特定的围岩地质条件或者复杂多变的围岩地质条件下,常常不能准确地判断出围岩的类别。在概率论的基础上,考虑岩体质量RQD值、弹性波速vp这2个常用的围岩分类指标,综合考虑《公路隧道设计规范》(JTGD70–2004)采用的BQ值,按照概率论原理来判定的围岩在3种围岩分类法中取得一致判断结果的概率就是待判定围岩在每种分类法概率的乘积。只要分别计算各种围岩分类标准中每一类围岩出现的概率,概率最大的所对应的围岩类别就是该围岩的分类,从而较准确地判断隧道围岩的类别。以云岭隧道围岩分类为工程背景,提出一种基于概率理论的新多因素围岩分类方法,并采用该方法对云岭隧道围岩进行分类,得出的围岩类别与实际围岩类别比较吻合。这一方法的成功应用,不仅为该隧道设计、施工提供了参考,同时对同类隧道工程围岩分类有一定的参考价值。     

基于样本优选改进的随机森林遥感影像分类研究

在遥感影像分类的随机森林(Random Forests,RF)算法中,样本的质量是分类的基础和重要环节,构建优质的样本数据集是一项重要工作,本文对此进行研究,并提出以计算样本间的相似度的方法作为度量标准,来优化样本数据集。结果表明:(1)由计算相似度方法优化后的样本数据精确度得到提升,对各类别的数据判读更加明确;(2)在文中实验条件下,改进的随机森林法的分类结果优于传统方法,且精度优于CART决策树和SVM方法。     

基于聚类分析的北方幼儿园建筑安全等级分类

根据幼儿园建筑设计规范中对幼儿园安全性设计的要求,选取23个安全性影响因子对幼儿园建筑的安全等级进行客观、科学的类别划分。运用主成分分析法对指标体系进行降维处理,进而采用聚类分析法将具有相似参数的幼儿园建筑样本进行分类,并对每一类建筑的安全等级进行综合分析。根据新的分类方法,每一类幼儿园都具有各自的特点,与传统的按班级规模分类相比,该方法反映了幼儿园建筑安全性的总体特征,按照此分类进行的安全性评价将更具有针对性,能够更好地指导儿童家长择园与幼儿园建筑的细节设计,同时也为幼儿园建筑的其他方面的评价和分类提供了指导方法。     

基于Logistic模型的山区县域村分类方法研究 — —以重庆市巫溪县为例

为了实现乡村振兴战略对村分类（搬 迁撤并、城郊融合、集聚提升和特色保护） 的要求,以典型的山地县域重庆市巫溪县为 例,从生态保护、社会经济和历史人文等指 标体系中筛选12个指标作为自变量,构建多 分类Logistic回归模型,快速精准识别村分 类。以通过评审的村布局方案中随机选取 170个村作为实验样本,以特色保护类为参照 组,回归模型的拟合优度高达0.911。利用模 型对剩余的119个村类型进行预测,搬迁撤 并、城郊融合、集聚提升、特色保护四种分类的正确率分别为90.57%、86.36%、88.89%、82.35%,对预测概率较低（<75%）的个别样本加 以人工判断,可得到较理想的分类结果。该方法可以对村进行快速初分类,为人工判别与调整 提供了初始分类方案,提高了村分类的科学性和工作效率,弥补了当前村分类方法的不足。     

一种基于海冰场景图像分类的三维重建方法

利用二维航拍序列图像对极地海冰场景进行三维地形重建,是极地环境立体可视化分析的一个重要手段。提出了一种可以自动分类并分割重建区域的三维重建方法。该方法通过训练一个分类网络来筛选合适的图像序列,对获得的特定类别海冰场景图像使用8邻域填充算法对重建区域进行分割,最后对分割后的图像进行三维重建。针对三维重建流程运算量大,误差易累积的问题,该方法大幅降低了整体流程中累积的误差,并有效减少重建所需计算量。实验结果表明,该方法可在保证一定精度的前提下,提高三维重建速度,同时针对特定场景,取得了较好的重建效果。