基于影响函数的k-近邻分类

分类是一种监督学习方法,通过在训练数据集学习模型判定未知样本的类标号。与传统的分类思想不同,该文从影响函数的角度理解分类,即从训练样本集对未知样本的影响来判定未知样本的类标号。首先介绍基于影响函数分类的思想;其次给出影响函数的定义,设计3种影响函数;最后基于这3种影响函数,提出基于影响函数的k-近邻(kNN)分类方法。并将该方法应用到非平衡数据集分类中。在18个UCI数据集上的实验结果表明,基于影响函数的k-近邻分类方法的分类性能好于传统的k-近邻分类方法,且对非平衡数据集分类有效。     

一种改进的K近邻算法在网页分类中的应用

K近邻(k-Nearest Neighbor)算法是进行分类时最常用的文本分类算法,基本的K近邻算法是基于余弦向量距离计算相似度,由于特证词权值的计算采用的是TF-IDF方法,使得该算法在文本分类中对于噪声特征非常敏感,本文针对这一问题,提出在网页分类的领域中,根据网页文章的特性,考虑特征词出现不同位置,改进相似度的计算公式,实验证明,提高了分类的准确性。     

一种有效的全景图拼合预处理算法

全景图拼合的预处理主要包括对样本图像的特征提取以及相邻图像的特征匹配.本文首先改进Harris角点检测算子,以便准确提取样本图像的特征点并赋予特征描述符;提出一种基于小波系数的特征索引算法,实现了图像特征点对的快速搜索和两幅图像之间的匹配.实验结果表明,该算法得到的匹配点精确,搜索效率高,能够实现全景图的无缝拼接.     

基于一种可变分类阈值的SPIHT算法

针对传统小波变换过程复杂和多级树集合分裂算法（Set Partitioning In Hierarchical Trees,SPIHT）编码过程重复运算、存储量大的问题,提出了一种新的可变阈值的SPIHT算法。该算法利用可变阈值对SPIHT算法中不重要的像素集合链表（List of Insignificant Pixels,LIP）、系数列表（List of Insignificant Sets,LIS）进行分类,得到一种更有效的编码算法。仿真结果表明,该算法针对不同图像的大小、分解级数都能得到很好的峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）。     

用k-最近邻和贝叶斯分类预测图书用户喜好

将用户兴趣爱好、书籍受欢迎程度和用户对书籍的评价等参数组成差异性矩阵,确定各参数影响权重、建模计算用户对书籍的评分,融合采用k-最近邻分类法和朴素贝叶斯分类法来分类过滤数据,设计实现一种数字图书用户喜好预测算法。实验结果表明,该算法提高了数字图书个性化推荐精度。     

连续小波变换的一种快速算法

连续小波变换（ＣＷＴ）由于其优良的特性，在信号处理的许多领域得取了应用，但是ＣＷＴ在实现时有很大的计算量，针对此问题，本文提出了一种利用离散小波变换（ＤＷＴ）实现ＣＷＴ的快速算法，通过理论分析，本文提出了该算法所需的两个滤波器ｆ（ｎ）和ｇ（ｎ）的构造方法和整个快速算法的组织方式，并利用一个技巧对小波系数的尺度间隔进行了细化，最后对算法的计算复杂度进行了简略的定性分析。     

连续小波变换的一种快速算法

连续小波变换(CWT)由于其优良的特性,在信号处理的许多领域得到了应用。但是CWT在实现时有很大的计算量,针对此问题,本文提出了一种利用离散小波变换(DWT)实现CWT的快速算法。通过理论分析,本文得出了该算法所需的两个滤波器f(n)和g(n)的构造方法和整个快速算法的组织方式,并利用一个技巧对小波系数的尺度间隔进行了细化。最后对算法的计算复杂度进行了简略的定性分析。     

一种改进的半调图像分类算法

半调图像分类在逆半调过程中是非常关键的步骤。文献[1]提出的神经网络分类算法利用增强的一维相关性,可以对半调图像进行适当的分类,但分类精度不够高。在神经网络分类算法的基础上,通过计算图像的灰度共生矩阵,进而提取图像的纹理特征来对图像进行分类。实验表明,改进后的算法可提高分类的精度。     

一种改进的支持向量机模式分类方法

支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,已成为目前研究的热点,并在模式识别领域有了广泛的应用.首先分析了支持向量机原理,随后引入一种改进的径向基核函数,在此基础上,提出了一种改进核函数的SVM模式分类方法.与基于IRIS数据,进行了计算机仿真实验,与基干模糊k-近邻的模式分类仿真结果比较,结果表明改进的SVM方法分类性能比模糊k-近邻算法(Fuzzy k-Nearest Neighbor,FKNN)的分类性能更好,运算时间更短,更易于实时实现.     

An Adaptive Steganographic Algorithm for Point Geometry Based on Nearest Neighbors Search

In this study, we extend our previous adaptive steganographic algorithm to support point geometry. For the purpose of the vertex decimation process presented in the previous work, the neighboring information between points is necessary. Therefore, a nearest neighbors search scheme, considering the local complexity of the processing point, is used to determinate the neighbors for each point in a point geometry. With the constructed virtual connectivity, the secret message can be embedded successfully after the vertex decimation and data embedding processes. The experimental results show that the proposed algorithm can preserve the advantages of previous work, including higher estimation accuracy, high embedding capacity, acceptable model distortion, and robustness against similarity transformation attacks. Most importantly, this work is the first 3D steganographic algorithm for point geometry with adaptation.     

散乱数据点的k近邻快速搜索算法

提出了一种改进的散乱数据点k近邻搜索算法,该问题是逆向工程曲面重构技术中的关键环节。采用传统分块算法对点云空间进行首次分割,在此基础上估算点云平均点距,并利用平均点距估算结果对点云数据空间重新进行划分。分块结果使得k近邻搜索算法的搜索范围大大缩小,搜索速度明显提高。     

一种改进的抗噪和旋转不变纹理图像分类算法

直接在空域计算图像的局部二进制模式(LBP)直方图不能准确描述基元较大的纹理,且不具有抗噪性这一重要的特性。针对这一局限,提出一种将空域和频域结合起来的改进算法。首先在频域对图像进行Curvelet变换,选取能量较大的子带进行图像重构并抽样,最后计算抽样图像的旋转不变LBP算子直方图作为特征向量。这样得到的特征更加紧凑,能更有效地描述图像的细节,同时弥补了传统LBP算法的不足,实现了用相同尺寸的LBP算子描述大基元的纹理,同时具有旋转不变和抗噪性能。仿真结果表明,算法得到的分类率比其他算法有显著提高,并且具有较强的抗噪性。     

近邻法参考样本集的最优选择

为克服近邻分类法需要大量计算和存储的缺点,本文利用Tabu搜索来求解满足一定错误率条件的最小参考样本集.当错误率阈值设为0时,可以得到原训练集的一致子集.当错误率阈值设为适当的非零值时,可以较好地克服近邻估计的偏置.通过在Tabu搜索中引入适当的激活(aspiration)条件,避免了在可行和不可行解区间无意义的来回搜索,加快了收敛的速度.实验结果表明,本文算法在压缩比和分类性能上都优于经典的算法.本文还证明了Dasarathy的算法^[6]得到的最小一致子集(Minimal Consistent Set: MCS)不是最小的,其MCS也不一定是单调减的.     

基于多分辨率Trace变换的纹理图像分类

针对Trace变换提取的图像特征缺乏对纹理边缘信息描述和计算代价高的问题,利用小波变换对图像轮廓的表征优势,提出了多分辨率Trace变换并应用于纹理图像分类.首先,将小波变换引入到Trace变换中,对纹理图像进行非下采样小波变换,得到不同频率的低频特征子图及高频边缘子图;其次,在各级子图上进行一组泛函的Trace变换,获取纹理图像的融合特征,在获得图像边缘信息的同时避免了Trace变换不同泛函组合计算代价过高的问题;最后,把融合特征送入支持向量机对图像进行分类.实验结果表明,对图像采用多分辨率Trace变换提取的融合特征具有更好的纹理描述能力,相对于传统Trace变换及MCM等对比方法具有更高的鉴别性能,且在时间效率上相对于传统Trace变换有大幅提升.     

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。     

一种模糊-证据kNN分类方法

 已有的以k-最近邻(k Nearest Neighbor,kNN)规则为核心的分类算法,如模糊kNN(Fuzzy kNN,FkNN)和证据kNN (Evidential kNN,EkNN)等,存在着两个问题:无法区别出样本特征的差异以及忽略了邻居距训练样本类中心距离的不同所带来的影响.为此,本文提出一种模糊-证据kNN算法.首先,利用特征的模糊熵值确定每个特征的权重,基于加权欧氏距离选取k个邻居;然后,利用邻居的信息熵区别对待邻居并结合FkNN在表示信息和EkNN在融合决策方面的优势,采取先模糊化再融合的方法确定待分类样本的类别.本文的方法在UCI标准数据集上进行了测试,结果表明该方法优于已有算法.     

一种基于改进近邻分类器的人脸识别方法

在人脸识别研究问题中,传统的K-近邻分类器是仅基于一种测度进行分类的.但是,这种仅基于一种测度进行分类的方法没有充分考虑不同特征间的相似信息,因而往往分类不够准确.针对这个问题,本文提出了基于距离和角度两种测度联合分类的改进近邻分类器.即在距离测度的基础上融合cosine分类器的角度信息作为分类测度,同时在分类过程中运用模糊识别,以改善传统近邻分类器的分类效果.经计算机仿真数据实验,表明这种改进的近邻分类器与Gabor小波的结合,提高了人脸识别率.     

基于K最近邻的支持向量机快速训练算法

传统支持向量机训练大规模样本时间和空间开销大,使其应用受到了很大限制。为了提高支持向量机的训练速度,根据支持向量机的基本原理,应用K最近邻思想来筛选训练样本集,提出了基于K最近邻的支持向量机快速训练算法(KNN-SVM)。算法首先选取一部分最有可能成为支持向量的样本——边界向量,然后用边界向量集代替训练样本集进行支持向量机训练,大幅度减少了训练样本的数量,使支持向量机的训练速度显著提高。同时,由于边界向量包含了支持向量,因此,支持向量机的分类能力没有受到影响。仿真实验结果表明,与传统支持向量机相比,在分类精度相同的情况下,算法能够有效地提高支持向量机的训练速度,而且还可以提高支持向量机的分类速度和推广能力。