基于K最近邻局部点关系图卷积的点云分类

为进一步提高大规模多种类三维点云分类的准确率,提出一种局部区域建立K近邻点关系的卷积神经网络,其关键是从点与点的关系中进行学习。在采样组采样后,对点云模型进行建图,从点与点之间的关系以及中心点的特征进行更深一步的关系学习,从而进行点云的分类工作。由于是从局部的特征整合到整体,使得该方法对形状感知敏感并具有鲁棒性。最终的试验结果表明,该算法在公开数据集ModelNet40上的准确率达到92.5%。与现有的三维点云分类算法相比,其能够更有效地整合局部特征和全局特征,从而能进一步提高三维点云模型分类的准确性。     

基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network, RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。     

基于K最近邻分类算法的交换模块状态预测

近年来,电子产品的故障诊断与故障预测主要采用健康管理与故障预测(PHM)技术,但要准确预测其健康状态还是很难。以此为出发点,构建交换模块的状态预测模型,首先对训练数据进行预处理和统计分析,通过相关性分析初步得到影响交换模块状态的特征参数,通过特征选择进一步确定特征,然后通过算法比较选择机器学习算法中的K最近邻分类算法,通过参数优化最终得到交换模块状态预测模型。采用该方法进行了应用验证,获得交换模块状态预测准确度为99.8%,达到了较好的预测效果和精度。     

基于判决树的数字调制样式的自动识别

提出了一种采用判决树的方法，对常用的数字调制样式，包括ASK，PSK，FSK，QAM进行识别。从时域上的幅度信息，结合信号频谱、二次方频谱和四次方频谱上的信息，提取一组特征参数，可以较好地自动识别常用的数字调制样式。基于仿真数据和实际采样数据所得的结果表明，该方法在实际应用中的可操作性强，并且具有良好的识别性能。     

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。     

基于高阶累积量的数字调制信号检测与识别方法

通信信号调制方式识别在信号检测、频谱监测等领域有着重要的地位,是非合作通信的关键技术。本文利用信号的四阶、六阶、八阶累积量构造多个特征参数,实现了2ASK、2FSK、BPSK、QPSK、16QAM和OFDM六种常用数字信号调制方式的识别。在MATLAB环境下进行了仿真实验,实验结果表明,该方法在0dB信噪比下可以实现有效识别。     

基于高阶累积量的核Logistic回归调制分类算法

针对现有数字信号调制识别的问题,提出了一种基于核 Logistic 回归(KLR)的自动分类方法.该方法提取了信号的高阶累积量参数用作训练与测试数据,采取常用的决策树分类构架的思想,仿真并比较已有的基于支撑向量机(SVM)的调制分类方法,结果表明,在低信噪比为0 dB时,分类性能一般高于 SVM;5 dB时,采用 KLR的分类识别率均达到90%以上,有较为优越的分类性能.     

基于多尺度空间滤波和l1范数最近邻分类的乳腺图像微钙化点检测

钙化信息是乳腺癌早期诊断的一个重要依据,针对钙化点检测检出率较低和假阳性较高的问题,提出一种基于多尺度空间滤波和l1范数最近邻分类的乳腺图像微钙化点检测算法.首先利用多尺度空间滤波方法得到原图像的多尺度显著特征图,然后通过基于人眼视觉特性的钙化点分割方法得到粗检测钙化点的二值图像,并送入l1范数最近邻分类器去除假阳性点...     

基于高阶循环累积量和支持矢量机的分级调制分类算法

利用观测样本的高阶循环累积量特征,提出一种基于支持矢量机的分级调制分类算法,实现了对QAM调制信号的自动识别.该算法具有较快的分类器训练速度和较低的复杂度,对时延和相位旋转具有稳健性,并可在干扰环境下实现对感兴趣信号调制类型的识别.理论分析和仿真结果均证明了算法的正确性和有效性.     

基于模糊K最近邻和证据理论的增量式超文本分类方法

为有效利用超文本中HTML标记提供的分类信息,文中分析了HTML标记对分类的影响,提出了一种基于模糊K最近邻和证据理论的增量式超文本分类方法,该方法将超文本的分类处理分为基于标题、重要段落和全文三个阶段,利用模糊K最近邻方法计算每阶段文本的分类隶属度,利用证据理论增量式融合阶段分类结果,当已有的分类结果可以确定超文本的分类时,对后续阶段不再做处理,实验表明,和全文KNN方法相比,该方法能有效提高分类的查全率和查准率,同时,由于不需要对所有文本进行全文分析,该方法具有更高的执行效率.     

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。     

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。     

一种新的基于距离加权的模板约简K近邻算法

作为一种非参数的分类算法,K近邻(KNN)算法简单有效并且易于实现。但传统的KNN算法认为所有的近邻样本贡献相等,这就使得算法容易受到噪声的干扰,同时对于大的数据集,KNN的计算代价非常大。针对上述问题,该文提出了一种新的基于距离加权的模板约简K近邻算法(TWKNN)。利用模板约简技术,将训练集中远离分类边界的样本去掉,同时按照各个近邻与待测样本的距离为K个近邻赋予不同的权值,增强了算法的鲁棒性。实验结果表明,该方法可以有效地减少训练样本数目,同时还能保持传统KNN的分类精度。     

基于谱回归和核空间最近邻的基因表达数据分类

肿瘤基因表达数据是典型的高维小样本数据,直接对其进行识别存在维数灾难,需要对数据进行维数约简.提出了一种基于谱回归分析和核空间最近邻分类器的基因表达数据分类方法,采用谱回归分析得到可有效提取低维鉴别特征的投影矩阵,然后通过投影矩阵对基因表达数据进行维数约简,得到的低维数据用核空间最近邻分类器进行识别.通过在Prosta...     

A Multi-Objective Software Quality Classification Model Using Genetic Programming

A key factor in the success of a software project is achieving the best-possible software reliability within the allotted time & budget. Classification models which provide a risk-based software quality prediction, such as fault-prone & not fault-prone, are effective in providing a focused software quality assurance endeavor. However, their usefulness largely depends on whether all the predicted fault-prone modules can be inspected or improved by the allocated software quality-improvement resources, and on the project-specific costs of misclassifications. Therefore, a practical goal of calibrating classification models is to lower the expected cost of misclassification while providing a cost-effective use of the available software quality-improvement resources. This paper presents a genetic programming-based decision tree model which facilitates a multi-objective optimization in the context of the software quality classification problem. The first objective is to minimize the "Modified Expected Cost of Misclassification", which is our recently proposed goal-oriented measure for selecting & evaluating classification models. The second objective is to optimize the number of predicted fault-prone modules such that it is equal to the number of modules which can be inspected by the allocated resources. Some commonly used classification techniques, such as logistic regression, decision trees, and analogy-based reasoning, are not suited for directly optimizing multi-objective criteria. In contrast, genetic programming is particularly suited for the multi-objective optimization problem. An empirical case study of a real-world industrial software system demonstrates the promising results, and the usefulness of the proposed model     

一种基于维度加权盲K近邻算法的数字预失真技术

传统的数字预失真(DPD)模型通常在所有的输入信号功率上采用单一多项式模型和单一记忆深度对功率放大器(PA)进行线性化矫正。然而,功率放大器在不同的功率水平下会呈现出不同的非线性特性,并产生不同的记忆效应。针对这一问题,该文提出一种基于维度加权盲K近邻(KNN)算法的数字预失真模型,所提模型根据功放当前输入信号以及记忆输入信号的幅度进行维度加权的KNN分类,组成维度加权盲KNN记忆多项式(WKMP)模型,并为每一类输入信号序列建立子模型。所提方法用Doherty功率放大器进行实验验证,使用带宽为30 MHz、频点为2.2 GHz的3载波长期演进(LTE)信号作为输入,反馈端使用122.88 MHz的采样率进行采样。实验结果表明,所提维度加权盲KNN分类方法与记忆多项式(MP)模型结合时,功放正向建模效果和数字预失真效果均超过了广义记忆多项式(GMP)模型,并远超记忆多项式模型的效果,实验结果验证了所提模型的优良性能。     

利用高阶累积量实现数字调制信号的自动识别

通信信号的自动调制识别在截获信号处理方面是一个十分重要的课题。本文针对数字调制信号的识别问题,提出了一种基于高阶累积量的分类特征,该特征有效地抑制高斯白噪声的影响,能实现对2ASK、4ASK、4PSK、2FSK、4FSK等五种数字调制信号的识别。论文进行了理论推导,并用仿真实验和实际采集数据进行了验证。     

基于滑动平均和高阶统计量的数字调制识别

提出一种滑动平均和高阶统计量结合的优化识别方法。先对接收信号平滑优化，再利用高阶统计量区分信号，使得信号在低信噪比且未知信号和噪声功率的情况下也能有较高的识别率。该方法计算简单，有效地抑制了噪声影响，改善了原算法的识别效果。论文进行了理论推导，并用仿真实验进行了验证。     

使用分集技术的信号调制类型识别

针对衰落环境下的调制识别,该文基于决策理论和多天线接收分集技术提出了一种解决方法。根据对未知信道和信号参数的不同处理方式,推导了用于识别的似然函数,并构造了分类器。采用多天线分集技术提高正确识别率,并考虑了天线空间位置对分集合并的影响,提出了解决办法。计算机仿真结果表明该文所述方法的有效性和正确性。