K-最近邻分类技术的改进算法

该文提出了一种改进的K-最近邻分类算法。该算法首先将训练事例集中的每一类样本进行聚类,既减小了训练事例集的数据量,又去除了孤立点,大大提高了算法的快速性和预测精度,从而使该算法适用于海量数据集的情况。同时,在算法中根据每个属性对分类贡献的大小,采用神经网络计算其权重,将这些属性权重用在最近邻计算中,从而提高了算法的分类精度。在几个标准数据库和实际数据库上的实验结果表明,该算法适合于对复杂而数据量比较大的数据库进行分类。     

基于改进的K-最近邻算法的病毒检测方法

由于计算机病毒检测的不可判定性，提出了一种基于改进的K-最近邻检测方法来实现对计算机病毒的近似判别。此方法成功地克服了现有的特征码扫描技术只能检测已知病毒的缺点。首先改进了原始的K-最近邻检测方法，使其更适合于对计算机病毒进行预测。并在此检测方法上，设计了一个病毒检测系统。此系统既可查杀已知病毒，也可分析评判可疑程序．诊断出被感染病毒以及病毒类型。     

相互最近邻聚类应用于轮廓提取算法

传统的神经网络算法用于轮廓提取时,存在计算量大,需预设参数多等问题。现提出了一种基于相互最近邻聚类结合神经网络的方法,克服了传统K均值聚类时需要预设类数的缺点。该算法通过角点检测器获取图像特征点;然后,通过特征点的相互最近邻聚类建立一组基函数,把图像像素点的像素值和梯度作为输入向量,利用网络的预测功能来表示物体轮廓曲线方程。     

基于最近邻聚类的INTERNET信息检索系统

随着网络的不断普及和发展，Internet为用户提供了一个极有价值的信息源。如何能够快速、准确的检索出用户感兴趣的信息，已经成为当前研究的热点。本文分析了KNN算法和聚类方法，指出了其中的不足并在此基础上提出了一种改进算法。该算法将聚类方法和KNN算法的优点结合起来，从而达到缩减了训练样本数量，减少了算法计算量，加快检索速度的目的。     

联合局部二值模式与K-最近邻算法的高光谱图像分类方法

如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务.针对高光谱图像包含的丰富光谱与空间信息,提出了一种联合局部二值模式LBP(Local Binary Patterns)与K-最近邻KNN(K-Nearest Neighbors)算法的高光谱图像分类方法.首先,通过主成分分析PCA(P...     

基于协同熵的K-均值算法

针对传统K-均值算法容易受到野点和噪声点的影响,缺乏鲁棒性的问题,提出了一种基于协同熵的K-均值算法。该方法利用协同熵作为一种局部的相似度度量手段,并依赖最大协同熵准则进行最优聚类中心的求解。采用迭代重加权的优化算法可以用来快速实现最优聚类中心的求解。对于残差较大的野点和噪声,它们在聚类中心更新的过程中将被赋予较小的权重。实验结果表明,基于协同熵的K-均值算法具有较好的鲁棒性,并获得较好的聚类效果。     

基于最近邻方法的雷达辐射源信号识别研究

在分析最近邻方法理论的基础上,提出了一种新的雷达辐射源信号识别结构,引入了一种新的距离贴近度度量方式。建立了基于最近邻方法的雷达辐射源信号识别模型,并分别在大样本和小样本数据集合对不同噪声背景下的雷达辐射源正确识别率和识别时间进行了比较分析。仿真表明,基于最近邻的雷达辐射源信号识别方法简单易行,快速简洁,有较高的正确识别率。     

基于层次的K-均值聚类

介绍一种基于层次的K-均值聚类算法(HKMA)。在统计力学的基础上,对传统K-均值聚类划分矩阵里的元素("隶属"概率)做了形式上的改变,并引入一个调控实际聚类数目的因子。这样,在对同一组数据集进行聚类时,调控因子值不同,结果得到的类数目就不同。用一组二维正态分布的数据集和一组用来测试聚类算法的标准数据集(Iris数)进行测试,结果表明该算法具有层次聚类的性质和较满意的聚类精度。     

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K-邻相关与RFT的长时间积累算法

随着隐身技术的发展,飞机导弹等高速运动目标的RCS越来越小,需要采用长时间积累的方法实现目标检测。文中提出了一种基于K-邻相关和Radon Fourier 变换（RFT）的小目标长时间积累算法。首先,利用K-邻相关算法实现目标运动参数的粗略估计;然后,利用RFT实现信号的高效积累。仿真和实录数据验证表明：该方法能有效实现高速高机动小目标检测,信噪比损失0.5 dB以内。     

基于最近邻-拓扑图的异类传感器目标关联算法

针对雷达和高动态平台上的红外传感器构成的异类传感器信息融合系统中的目标关联问题,该文提出了一种基于最近邻-拓扑图的目标关联算法。该算法避免了系统误差补偿环节,有效地克服了最近邻方法对系统偏差敏感和拓扑图方法运算量大的不足,显著提高了存在系统误差条件下的关联成功率,且具有很强的稳健性。数值实验结果表明了该方法的有效性,目标关联正确率在90%以上。      

一种基于信息增益的K-NN改进算法

K-最近邻(K-nearest neighbor,简称KNN)算法是一种在人工智能领域如专家系统、数据挖掘、模式识别等方面广泛应用的算法.该算法简单有效,易于实现,但是其K值难以确定,而且分类结果易受单个属性干扰.文中提出了一种简单易行的K值确定方法,并利用Quinlan信息增益理论,提出了基于信息增益的K-最近邻改进算法.通过实验证明,改进后的K-NN算法具有较强的抗干扰能力和较好的精确性.     

动态联合最近邻算法

“最近邻算法”(NN)是SLAM领域中广泛使用的一种数据关联算法,它的优点是计算复杂度低,其缺点是关联准确度易受环境影响。为提高“最近邻算法”对环境的鲁棒性,对其进行两处改进：一是从所有观测值之间的相关性出发,消除所有观测值配对结果之间的干涉情况;二是采用多帧观测数据的关联结果动态滤除观测特征中的伪特征。此外,根据机器人的位姿和传感器的有效量程将数据关联限定在局部可能区域中,从而极大地提高了算法的计算效率。仿真和实际实验结果表明,提出的“动态联合最近邻算法”(DJNN) 在准确度和计算复杂度方面的性能都很好,具有极强的应用价值。     

用于特征筛选的基于目标值的最近邻法

用传统的最近邻（KNN）法找出最近邻点后,利用曲面平滑化原理,按照这些点的目标值分布情况进行模式识别识别的特征筛选,与基于分类的最近邻法比,减少了人为的分类过程。     

基于k-means特征的适应性近似最近邻搜索算法

在基于倒排索引和HNSW索引结构的最近邻搜索算法中,由于所有查询点使用固定的终止条件进行近似最近邻搜索,从而导致某些查询点在搜索路径上访问了不必要的数据点。因此,本文针对十亿规模数据集,在IVF-HNSW算法的基础上,根据数据点的k-means特征和真实最小访问点,建立神经网络回归模型。通过模型,动态预测每个查询点在HNSW索引中找到最近邻所需要搜索的质心个数,以及在IVF中需要搜索的倒排列表的个数,最终每个查询点能够通过适应性搜索,减少需要访问的数据库向量的个数,进而降低总体搜索所需要的查询时间。实验结果表明,优化后的自适应搜索算法与原始IVF-HNSW算法相比,在最高召回率下,平均查询时间最多可降低27%。     

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。     

基于改进K-均值算法的未知雷达信号分选

针对K-均值算法需要事先确定聚类的数目,无法适用于未知雷达信号分选的问题,通过引入脉冲间欧几里德距离和距离阈值TMS2812,完成聚类数目和聚类中心的自动选取,给出一个K-均值的改进算法,改进后的算法既收敛速度快,易于工程化实现,又可自动确定聚类数目和聚类中心。仿真实验表明,该改进算法提高了K-均值算法的适用范围,能够有效适应于未知雷达信号的分选。     

近似最近邻搜索中投影增强型残差量化方法

为了降低图像特征向量量化的近似表示和高维向量带来的码书训练时间开销，提出了一种投影增强型残差量化方法。在前期的增强型残差量化工作基础上，将主成分分析与增强型残差量化相结合，使得码书训练和特征量化均在低维向量空间进行以提高效率；在低维向量空间上训练码书过程中，提出了联合优化方法，同时考虑投影和量化产生的总体误差，提升码书精度；针对该量化方法，设计了一种特征向量之间的近似欧氏距离快速计算方法用于近似最近邻完全检索。结果表明，相比增强型残差量化，在相同检索精度前提条件下，投影增强型残差量化的只需花费近1/3的训练时间；相比其它同类方法，所提出方法在码书训练时间效率、检索速度和精度上均具有更优的综合性能。该研究为主成分分析同其它量化模型的有效结合提供了参考。