基于相对密度和流形上k近邻的聚类算法

针对传统的基于欧氏距离的相似性度量不能完全反映复杂结构的数据分布特性的问题,提出了一种基于相对密度和流形上k近邻的聚类算法。基于能描述全局一致性信息的流形距离,及可体现局部相似性和紧密度的k近邻概念,通过流形上k近邻相似度度量数据对象间的相似性,采用k近邻的相对紧密度发现不同密度下的类簇,设计近邻点对约束规则搜寻k近邻点对构成的近邻链,归类数据对象及识别离群点。与标准k-means算法、流形距离改进的k-means算法进行了性能比较,在人工数据集和UCI数据集上的仿真实验结果均表明,该算法能有效地处理复杂结构的数据聚类问题,且聚类效果更好。     

融合标记独有属性特征的k近邻多标记分类新算法

在多标记学习系统中,每个样本同时与多个类别标记相关,却均由一个属性特征向量描述。大部分已有的多标记分类算法采用的共同策略是使用相同的属性特征集合预测所有的类别标记,但它并非最佳选择,原因在于每个标记可能与其自身独有的属性特征相关性最大。针对这一问题,提出了融合标记独有属性特征的k近邻多标记分类算法—IML-kNN。首先对多标记数据的特征向量进行预处理,分别为每类标记构造对该类标记最具有判别能力的属性特征;然后基于得到的属性特征使用改进后的ML-kNN算法进行分类。实验结果表明,IML-kNN算法在yeast和image数据集上的性能明显优于ML-kNN算法以及其他3种常用的多标记分类算法。     

基于局部正、负标记相关性的k近邻多标记分类新算法

在多标记学习中,每个样本都由一个实例表示,并与多个类标记相关联。现有的多标记学习算法大多是在全局利用标记相关性,即假设所有的样本共享不同类别标记之间的正相关性。然而,在实际应用中,不同的样本共享不同的标记相关性,标记间不仅存在正相关性,而且存在相互排斥的现象,即负相关性。针对这一问题,提出了基于局部正、负成对标记相关性的k近邻多标记分类算法PNLC。首先,对多标记数据的特征向量进行预处理,分别为每类标记构造对该类标记最具有判别能力的属性特征;然后,在训练阶段,PNLC算法通过所有训练样本中各样本的每个k近邻的真实标记构建标记之间的正、负局部成对相关性矩阵;最后,在测试阶段,首先得到每个测试样例的k近邻及其对应的正、负成对标记关系,利用该标记关系计算最大后验概率对测试样例进行预测。实验结果表明,PNLC算法在yeast和image数据集上的分类准确率明显优于其他常用的多标记分类算法。     

欧式距离与标准化欧式距离在k近邻算法中的比较

相似性度量是综合评定两个数据样本之间差异的指标,欧式距离是较为常用的相似性度量方法之一。本文分析了欧式距离与标准化的欧式距离在KNN算法中对数据分类的影响。仿真实验结果表明,当向量之间的各维度的尺度差别较大时,标准化的欧式距离较好地改善了分类的性能。     

基于参考点的改进k近邻分类算法

基本k近邻(kNN)分类算法具有二次方的时间复杂度,且分类效率和精度较低。针对该问题,提出一种改进的参考点kNN分类算法。依据点到样本距离的方差选择参考点,并赋予参考点自适应权重。实验结果表明,与基本k NN算法及kd-tree近邻算法相比,该算法具有较高的分类精度及较低的时间复杂度。     

基于平均距离的K-近邻分类改进算法

提出了一种基于平均距离的K-近邻分类改进算法,克服了K-近邻分类算法准确率不高的两个问题:一是各个类别的近邻个数相同时则无法判断测试样本的类别;二是即使某一类别的近邻个数较多,但由于此类别的近邻样本与测试样本的相似度都比较小,则有可能把测试样本错误地判断为此类别。     

点云数据的k近邻快速建立改进算法

针对点云数据最近点搜索时栅格化所得空间子块大,并且在未完全找到前搜索范围需扩展一圈的问题,提出一种基于二次栅格化和扩展方向可控的快速搜索算法。采用传统分块算法一次栅格化数据空间;综合考虑非空栅格、最近点数目及一次划分边长,计算二次栅格化的边长;在局部搜索过程中控制扩展方向,优先在最有可能出现的栅格中进行搜索。实验结果表明,与现存的方法相比,该算法在搜索时间上至少减少了20%。     

基于路由机制的时变路网k近邻算法

针对现实生活中动态路网的地理信息查询问题,提出了一种基于路由机制的动态路网中k近邻查询的算法。其主导思想是利用空间换时间,用路由表保存历史查询结果,用查询路由表的方法代替传统的最短路径计算,通过历史数据减少系统重复计算并对车辆行驶路径进行规划,用更新路由表的方法适应路况的变化。围绕路由表这一核心,改进相应的k近邻算法的过滤、精炼过程。通过路由表对动态路网进行少量的预处理,减少系统在k近邻搜索中的候选点数量,缩小查询范围,提高搜索效率。     

距离-关键字相似度约束的双色反k近邻查询方法

针对空间关键字双色反k近邻查询返回结果质量较低的问题,提出了基于距离-关键字相似度约束的双色反k近邻查询方法.首先,通过设置一个阈值将查询结果中质量较低的用户给过滤掉,从而避免了查询结果中出现空间距离相对较远的用户,保证了查询结果质量;然后,为支持该查询,提出了一种关键字多分辨率网格矩形树(KMG-Tree)索引来管理...     

采用熵相关性优化分离性的SVM说话人识别

针对目前说话人识别模型精度不高,应用性不强的缺点,提出一种采用熵相关性优化原始特征参数的方法,并综合特征熵相关性和原始特征特性值两方面因素改进了说话人识别的分离性测度。以说话人聚类类间差异最大化为目标,建立围绕基于特征分类相关性的参数自适应重构策略及分离性测度计算方法的说话人识别模型。仿真实验结果表明,该模型结构稳定,使说话人识别的精度及效率达到较好的平衡,具有较强的应用性能。     

基于子向量距离索引的特征匹配算法的改进

在解决高维向量的搜索问题方法中,基于子向量距离索引的向量匹配算法iSVD拥有较好的搜索精度和效率。但是,该算法计算复杂度仍然较高,在实际应用中会受到限制。针对该问题,引入关键维选取方法,对iSVD算法进行改进。该方法首先将特征向量划分为多个子向量;再通过某种筛选方法,选出部分子向量代替原特征向量,进而创建索引值;最后利用索引值进行最近邻搜索。该方法能够将相似性较小的特征向量进行有效的区分,且可以进一步缩小最近邻搜索的搜索范围。实验结果表明,该算法能够在保持良好搜索精度的同时,提高匹配的正确率,缩短匹配时间,具有较好的实用性。     

基于最近邻距离差的改进孤立点检测算法

k最近邻孤立点检测算法的检测结果受用户设置参数的影响较大,并且无法判定孤立点强弱,针对该缺陷,引入阈半径和密集度阈值,提出基于最近邻距离差的孤立点检测算法.通过在多个数据集上的实验表明,改进算法扩大了参数的设置范围,降低了参数对结果的影响,并能够有效检测出强孤立点,用户通过调整密集度阈值,可以判定孤立点强弱,改进算法增强了原算法的稳定性和灵活性.     

采用帧差法和相关滤波改进的TLD跟踪算法

针对TLD (tracking-learning-detection)算法实时性和鲁棒性差的问题,提出一种改进的FD-CFTLD (foreground detection-correlation filter TLD)目标跟踪算法。以TLD算法为基本框架,在检测模块采用帧差法进行前景检测,减小检测区域,提高检测速度;在跟踪模块采用核相关滤波(kernelized correlation filter,KCF)算法,并采用新的更新策略,使用检测模块修正后的跟踪结果更新跟踪器中的滤波器模型,提高跟踪的鲁棒性和精确度。实验结果表明,FD-CFTLD算法的成功率和精确度优于TLD算法,在应对光照变化、尺度变化和遮挡等场景时表现出良好的鲁棒性和实时性。     

改进的基于层次距离的基因表达式编程特征选择分类算法

针对一般特征选择算法未能揭示数据特征与数据类别之间的可解释性映射关系的问题,在基因表达式编程(GEP)的基础上,通过引入初始化方法、变异策略以及适应度评价方法,提出了一种改进的基于层次距离的GEP特征选择分类算法(FSLDGEP).首先,利用定义的选择概率有导向地初始化种群个体,从而增加种群中有效个体的数量;其次,定义...     

一种改进的水果特征提取算法

介绍了颜色矩、Hu矩、Zernike矩、小波矩等特征提取算法,改进了大小特征提取算法。针对单一特征提取算法提取特征信息不全面,不能区别对待识别样本,识别率低等问题提出了一种改进特征提取算法,该算法由上述五种算法通过特征距离自优化组合生成。介绍了算法公式,执行流程,结合项目建立了特征库。通过选取几类易于混淆的水果进行识别试验,结果表明采用改进特征提取算法的识别率明显优于单一特征提取算法,只是识别的平均时间略有延长,但可满足实时识别的要求的别足。     

改进遗传算法优化的BP神经网络入侵检测研究

入侵检测是一种主动的安全防护技术,能够对网络内部和外部的攻击进行防御.基于神经网络的入侵检测是常用的智能检测方法,其中BP神经网络是比较常用的神经网络模型.针对BP神经网络算法易陷入局部极值和收敛速度慢等问题,将神经网络与遗传算法相结合,用改进的遗传算法优化BP神经网络权值.     

一种改进的SIFT图像特征匹配算法

针对传统SIFT图像特征匹配算法因其特征描述算子维度过高而造成的计算量大、实时性差的问题,提出一种基于内核投影的改进SIFT图像特征匹配算法。传统SIFT特征匹配算法采用平滑加权直方图计算特征点的梯度模值和梯度方向。采用内核投影算法对其进行改进,使生成的特征描述算子的维度降低,从而能够提高特征匹配效率。实验结果表明,改进后的SIFT算法具有较高的匹配精度,同时匹配时间有所减少,使实时性得到提高。     

改进混合遗传算法及其在农资优化配送中应用

针对农资配送过程中普遍存在空载以及二次配送导致配送成本增加问题,提出一种基于改进混合遗传算法的配送优化方法。在遗传算法中融入模拟退火算法,结合二者优势使得算法跳出局部极值,增强全局优化的能力;针对两种算法混合后造成算法运行时间长、收敛慢的缺点,提出一种混合交叉方式以及混合启发式变异的方法,最大限度减少不必要的计算,提高算法的优化效率。选取北京农资大兴配送中心针对大兴地区30个农资连锁经销门店的日常配送路径优化问题开展实验研究,结果表明,提出的算法较传统算法具有更好的收敛性,优化结果更加逼近全局最优解,可为农资配送车辆实时路径优化决策提供一种新的方法。     

一种改进的快速相关跟踪算法

在最大近邻距离（Maximum Close Distance,MCD）相关跟踪算法的基础上进行改进,提出了最小远离距离（Maximum Far Distance,MFD）算法。该算法通过单调降低累加和的上限,快速终止非匹配点处的计算,最终减小了总体计算量。为应付MCD算法中存在的模板漂移问题,对MFD算法采用的像素相似性阈值进行动态调整,并在出现多个匹配点的情况下用另外的相关算法做最终筛选,从而在保持了MCD算法抗噪声、抗局部遮挡等优点的同时,显著抑制了模板的漂移。算法还将相关匹配与伺服系统的控制特性结合起来进行考虑,更加合理地选择匹配区域,从而允许更快的伺服控制速度。