基于ReliefF特征加权和KNN的自然图像分类方法

为对自然图像有效准确地分类,提出了一种对图像低层特征和KNN分类算法中的近邻样本分别进行加权的分类方法。针对不同类别图像的视觉特征的差异,通过ReliefF算法计算训练集中每个类别的特征权值,利用此权值来改进待测图像与训练集中图像的距离度量;按照不同近邻到待测样本的距离远近,为不同近邻赋予权值来改进KNN算法在类别决策上的不足。实验结果表明该方法较传统KNN和特征加权KNN方法,准确性提高且对不同K值具有良好的鲁棒性。     

基于PSO-ELM特征映射的KNN分类算法

针对传统极端学习机算法(ELM)和K近邻分类算法(KNN)在处理分类问题中存在的问题,提出一种基于PSOELM特征映射的KNN分类算法。该算法利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射,并利用粒子群算法(PSO)寻找一组最优的ELM映射参数,再将映射后的特征样本输入到KNN算法中,提高处理线性不可分问题的能力。在多个数据集上的实验结果表明,文中算法比KNN改进算法以及ELM改进算法有更高的分类正确率。     

一种结合K近邻法的改进的渐进直推式支持向量机学习算法

为了进一步提高改进的渐进直推式支持向量机学习算法(IPTSVML)的速度,提出了一种结合K近邻法(KNN)的改进的渐进直推式支持向量机学习算法,利用KNN对无标签样本集进行删减,去掉对学习作用不大的无标签样本,再对有标签样本集和剩余的无标签样本集利用IPTSVML算法进行学习与分类。雷达实测数据实验结果表明该算法是有效的。     

基于深度学习的数据分类预测及应用

文章主要介绍了对大数据进行分类预测的深度学习算法,并使用K近邻算法(KNN)、决策树算法(CART)、支持向量机算法(SVN)、贝叶斯算法、人工神经网络算法(ANN)等对ADMET性质进行分类预测,为乳腺癌治疗效果提供了一种评价方法。     

一种聚类模式下基于密度的改进KNN算法

KNN是基于实例的算法,训练样本的数量影响KNN的分类性能.合理的样本剪裁可以提高分类器的效率.提出了一种聚类条件下基于密度的KNN改进模型.首先使用聚类方法对训练集进行基于类别的选择,裁剪边缘样本以减少噪音;再基于类别密度对样本进行加权,改善k近邻选择时大类别、高密度训练样本的占优现象.试验结果表明,本文提出的改进KNN分类算法提高了KNN的分类效率.     

基于局部均值分解和K近邻算法的滚动轴承故障诊断方法

将局部均值分解(LMD)和K近邻(KNN)算法结合起来对滚动轴承进行了故障诊断。首先,将LMD应用在轴承振动信号的分解,故障信息被包含在不同的PF分量中,对每个PF分量从时域和频域两个方面进行特征值提取。针对获得的高维特征向量进行PCA降维,最后在低维空间里,基于KNN算法,实现样本状态分类。实验结果表明,不同故障类型的滚动轴承样本均能被正确诊断。     

基于健康医疗大数据的KNN分类算法研究

本文针对KNN算法在处理医疗大数据时存在的不足进行了研究,提出了一种基于域数加权的分层KNN算法.算法根据医学领域的专业知识,构建n层体系结构,在外层分类时有效地降低了分类的无效计算量;同时随着层数加深,文本聚合明显,此时根据近邻域数进行选择性文本加权,有效地提高了分类精度.实验结果表明,该算法在对样本容量大、类别聚合差异性较明显,分类精度要求高的医疗数据进行分类时能取得较好的分类效果.     

KNN在企业信息检索中的运用

KNN算法在决定测试样本的分类时,如果样本数量太大,那么在搜索测试样本的K个最邻近时的算法计算量很大。针对KNN的不足提出了一种改进方法,在对数据进行预处理的基础上,实现了K最近邻居分类算法。结合发电企业行业及专业数据信息检索的特点,通过KNN算法,对终端用户输入的检索关键字集合进行了预处理,生成了新的检索关键字集合。     

基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

基于KNN算法对在校生考研预测模型的应用研究

运用K最近邻分类算法建立在校生考研预测模型,便于对在校生进行考前预判。为了提高预测的准确率,对传统K最近邻分类算法进行了改进,对样本的各特征属性赋予了不同权重,通过传统和加权两种K最近邻分类算法的不同使用,验证了改进加权KNN算法的实践效果。     

Secure K-Nearest neighbor queries in two-tiered mobile wireless sensor networks

Tiered Mobile Wireless Sensor Network(TMWSN) is a new paradigm introduced by mobile edge computing. Now it has received wide attention because of its high scalability, robustness, deployment flexibility, and it has a wide range of application scenarios. In TMWSNs, the storage nodes are the key nodes of the network and are more easily captured and utilized by attackers. Once the storage nodes are captured by the attackers, the data stored on them will be exposed. Moreover, the query process and results will not be trusted any more. This paper mainly studies the secure KNN query technology in TMWSNs, and we propose a secure KNN query algorithm named the Basic Algorithm For Secure KNN Query(BAFSKQ) first, which can protect privacy and verify the integrity of query results. However, this algorithm has a large communication overhead in most cases. In order to solve this problem, we propose an improved algorithm named the Secure KNN Query Algorithm Based on MR-Tree(SEKQAM). The MR-Trees are used to find the K-nearest locations and help to generate a verification set to process the verification of query results. It can be proved that our algorithms can effectively guarantee the privacy of the data stored on the storage nodes and the integrity of the query results. Our experimental results also show that after introducing the MR-Trees in KNN queries on TMWSNs, the communication overhead has an effective reduction compared to BAFSKQ.     

基于FCM-KNN的相干光环形QAM系统符号判决优化

针对高阶环形正交幅度调制 (QAM)的相干光通信 系统,提出了一种模糊C均值算法和K 最近邻算法相结合的非线性均衡算法。对接收端经相位噪声补偿后的数据,先用FCM算法有 效剪裁训练数据,同时对测试数据进行分类判决,从而极大降低了后续KNN算法的计算复杂 度。即首先计算训练集的初始质心和各数据点的初始隶属度,经过迭代计算收敛后,得到最 终的质心和各数据点的隶属度。然后将质心隶属度大于某阈值的测试数据点作为训练数据, 计算各测试数据与各训练集质心的距离对其暂时分类,接下来进行KNN算法分类。同时对测 试集进行分类判决,即对距该质心距离低于阈值的测试数据根据欧式距离直接判决,大于阈 值的测试数据用以上KNN方法进行判决。该算法基于112 Gbit/s单载 波单偏振相干检测环形16QAM单载波系统传输距离为1040 km进行了非线 性均衡效果仿真验证。仿真结果表明,本文所 提出的FCM-KNN算法可取得和KNN算法几乎相同的非线性均衡效果,而其复杂度比后者可降 低近20倍,对高阶QAM相干光通信系统长距离传输具有重要意义。     

基于KNN的DSA图像去噪及GPU的快速实现

为快速地去除或减少DSA(Digital Subtraction Angiography)图像的噪声,对比评价KNN(K Nearest Neighbors)算法对高斯噪声、泊松噪声、斑点噪声、椒盐噪声4种噪声去除或减少的效果,帮助医生快速准确地为病人诊断疾病.提出的算法主要贡献在于构建了基于GPU(Graphics Processing Unit)的加速方法,使传统图像去噪的运算速度得到大幅提升.基于图像降质、图像还原过程建模,使用KNN算法对4种噪声去除或减少,并对算法做并行化处理,利用GPU加速实现去噪的过程.通过实验得出,KNN算法能较好地去除或减少高斯噪声、泊松噪声来还原DSA图像,使用CUDA(Compute Unified Device Architecture)编写可在GPU上运行的程序,利用GPU对1 024×1 024像素的24位深度的DSA图像去噪,平均渲染帧率能达到190.53 f/s(帧/秒),较传统CPU(Central Processing Unit)串行,平均处理速度提高70.86倍.使用GPU加速能够快速地处理数据量较大、计算密集的DSA噪声图像,实现有效并且快速的高斯噪声去除,帮助医生精、准、快地诊断疾病.     

Antenna selection for MIMO system based on pattern recognition

This paper proposes a novel Multiple-Input Multiple-Output (MIMO) transmission scheme based on Pattern Recognition (PR), which is termed as the PR aided Transmission Antenna Selection MIMO (PR-TAS aided MIMO). As the conventional TAS algorithms need to search all possible legitimate antenna subsets, they may impose some redundant calculations. In order to avoid this problem, we employ some pattern recognition methods to carry out the TAS algorithm in this paper. To be specific, two PR algorithms, namely the K-Nearest Neighbor (KNN) algorithm and the Support Vector Machine (SVM) algorithm, are introduced and redesigned to obtain a TAS with lower complexity but higher efficiency. Moreover, in order to improve the performance of the SVM, we propose a new feature extraction of channel matrix for the TAS. Our simulation results show that the proposed KNN and SVM based PR-TAS algorithms are capable of striking a flexible tradeoff between the complexity and the Bit Error Rate (BER), and the new feature can effectively improve the BER performance compared with the conventional feature extraction method.     

相关性匹配蓝牙信标位置指纹库的室内定位

针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法.通过比较待定位点和位置指纹库中参考样点的相似程度,并进行数据差异显著性检验,来检验采集的待定位点数据与指纹库数据是否显著相关,然后取相关性较高的样本点进行加权平均匹配定位.实验结果显示,相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%,相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势.     

基于WiFi的分级室内定位

在经典的K最近邻(K-Nearest Neighbors,KNN)的WiFi定位方法中,其算法复杂度随着定位区域和定位区域内的WiFi接入点(Access Point,AP)的增加而增加,无法满足实时定位的要求.为此,提出一种分级WiFi定位算法.算法分为粗定位和精定位阶段,首先通过AP的可见性利用汉明距离寻找可能的子区域,再用KNN算法在子区域内(利用信号强度欧氏距离)进行精定位.经过实测数据验证,平均单次定位时间在KNN算法下下降了约95％,在最大后验算法下下降了约96％,表明所提分级定位框架具有延迟低的优点.     

Privacy-preserving real-time road conditions monitoring scheme based on intelligent traffic

To alleviate the traffic pressure on roads,reduce the appearance of road congestion,and avoid the occurrence of traffic accidents,a privacy-preserving intelligent monitoring (PPIM) scheme based on intelligent traffic was proposed in combination with the safe and k-nearest neighbor (KNN) algorithm.To ensure the security of traffic data,the data content was randomly divided into independent parts via the secure multi-party computing strategy,and the data components were stored and encrypted separately by non-colluding multi-servers.To improve the accuracy of road condition monitoring,an improved KNN traffic monitoring algorithm was proposed.By virtue of the similarity calculation of data,the correlation value to measure the degree of traffic condition relationship between roads was obtained.And it was integrated with the KNN as the weight coefficient.To speed up the processing of dense data,a series of data security computing protocols were designed,and the data security processing was realized.In addition,real traffic data were used to verify the algorithm.The results show that the improved KNN algorithm is helpful to improve the accuracy of traffic monitoring.The analysis shows that the algorithm can not only guarantee the safety of data but improve the accuracy of traffic monitoring.     

文本分类中基于K-means的类偏斜KNN样本剪裁

KNN算法是经典的文本分类算法.训练样本的数量和类别密度是影响算法性能的主要瓶颈,合理的样本剪裁可以提高分类器效率.文中提出了一种基于聚类的改进KNN分类模型.首先对训练集进行聚类,基于测试样本与簇之间的相对位置对训练集进行合理裁剪以节约计算开销;然后基于簇内样本分布进行样本赋权,改善大类别样本的密度占优现象.实验结果表明,本文提出的样本剪裁方法提高了KNN算法的分类性能.     

基于迭代模糊聚类算法与K近邻和数据字典的集成TSK模糊分类器

该文提出一种新型的集成TSK模糊分类器(IK-D-TSK),首先通过并行学习的方式组织所有0阶TSK模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利用KNN对测试数据进行快速预测。IK-D-TSK具有以下优点:在IK-D-TSK中,每个0阶TSK子分类器的输出被扩充到原始入空间,以并行方式打开原始(验证)输入空间中存在的流形结构,根据堆栈泛化原理,可以保证提高分类精度;和传统TSK模糊分类器相比,IK-D-TSK以并行方式训练所有的子分类器,因此运行速度可以得到有效保证;由于IK-D-TSK是在以IFCM & KNN所获得的数据字典的基础上进行分类的,因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-TSK具有较高的分类性能、强鲁棒性和高可解释性。