一种基于角相似性的k-最近邻搜索算法*

k-最近邻搜索(KNNS) 在高维空间中应用非常广泛,但目前很多KNNS算法是基于欧氏距离对数据进行索引和搜索,不适合采用角相似性的应用。提出一种基于角相似性的k-最近邻搜索算法(BA-KNNS)。该算法先提出基于角相似性的数据索引结构(BA-Index),参照一条中心线和一条参照线,将数据以系列壳—超圆锥体方式进行组织并分别线性存储;然后确定查询对象的空间位置,有效确定一个以从原点到查询对象的直线为中心线的超圆锥体并在其中进行搜索。实验结果表明,BA-KNNS算法较其他k-最近邻搜索算法有更好的性能。     

基于k-最近邻图的小样本KNN分类算法

提出一种基于k-最近邻图的小样本KNN分类算法。通过划分k-最近邻图,形成多个相似度较高的簇,根据簇内已有标记的数据对象来标识同簇中未标记的数据对象,同时剔除原样本集中的噪声数据,从而扩展样本集,利用该新样本集对类标号未知数据对象进行类别标识。采用标准数据集进行测试,结果表明该算法在小样本情况下能够提高KNN的分类精度,减小最近邻阈值k对分类效果的影响。     

一种基于脉冲噪声检测的中值滤波方法

提出了一种针对图像脉冲噪声进行检测,并根据检测结果利用中值滤波滤除脉冲噪声的方法。该方法将含有脉冲噪声的子图像样本空间,通过核函数映射成为高维空间中的一个超球体,计算该球体半径R及对应的球心向量a。对于测试样本,比较其到超球体球心的距离d与球体半径R两者之间的关系,若两者差的绝对值小于某一阈值,则不存在噪声,反之存在噪声。采用中值滤波方法,对检测到的噪声点进行滤除。与其他算法相比,提出的算法对噪声的判断更加准确,滤除噪声的方式更加合理,适用的图像范围更加广泛,具有更好的滤波性能。     

基于A*引导域的RRT智能车辆路径规划算法

为了泛化RRT （快速搜索随机树）算法在智能车辆路径规划领域内的应用,解决该算法搜索效率低、最近邻搜索函数不合理等问题,本文提出了一种基于A*引导域的RRT路径规划算法.该算法将A*算法与RRT搜索算法进行有效地结合,利用由A*算法在低分辨率栅格图中生成的最短路径来构建引导域,以提升RRT算法的采样效率;同时在设计RRT算法的最近邻搜索函数时考虑车辆自身约束,以增强搜索树节点选择的合理性.通过仿真实验和实车测试,对该算法的优越性、有效性和实用性进行了验证.     

基于Lévy flight的自适应动态增强烟花算法

为综合解决传统烟花算法爆炸半径可能为零导致资源浪费以及增强烟花算法引入的最小爆炸半径检测机制导致局部搜索能力较弱的问题,针对增强烟花算法提出了两种改进策略：引入自适应动态半径调整策略改进爆炸半径,根据不同阶段的启发式信息,即当前最优烟花距离其他烟花位置的信息,动态调整爆炸半径的大小,来平衡全局和局部搜索能力,该策略可以使算法后期爆炸半径缩小到较小值进行细致的局部搜索;引入具有较强随机性的莱维飞行策略改进爆炸产生火花位置的方式,增强局部搜索的多样性。采用12个标准测试函数及其偏移函数进行实验,相比增强烟花算法,改进后的算法提高了标准函数及其偏移函数的寻优精度,在高维复杂的优化问题上具有较好的收敛能力。     

动态最近邻聚类算法的优化研究

针对最近邻聚类算法对聚类半径敏感、不易获得最优解的问题,提出了基于贝叶斯信息测度BIC(Bayesianinformationcriterion)的优化方法。通过DBSCAN算法对初始数据集进行预处理,去除噪声数据。在参数空间内逐步调整聚类半径,利用最近邻聚类算法对数据集进行聚类,并计算每次聚类结果的贝叶斯信息测度值。比较各次聚类结果的贝叶斯信息测度值,最大贝叶斯信息测度值对应的聚类即为最优聚类结果。实验结果表明,优化的最近邻聚类算法很好地解决了合适的聚类半径选取问题。     

基于两阶段搜索的密度聚类算法

为克服当前密度聚类算法存在的随机性、主观性和连带错误等问题,提出一种基于两阶段搜索的密度聚类算法。给出密度阈值和簇最近邻定义及计算方法。采用密度排序、簇最近邻分配和自适应搜索策略构建算法的两阶段聚类机制,设计邻域递归搜索和簇最近邻搜索两个阶段的聚类算法,实现不同密度数据点的准确聚类。8个数据集聚类实验结果表明,该密度聚类算法聚类稳定,无噪声,且自动确定类簇数,聚类精度优于比较的密度聚类算法。     

核最近邻凸包分类算法

为了增强最近邻凸包分类器的非线性分类能力,提出了基于核函数方法的最近邻凸包分类算法。该算法首先利用核函数方法将输入空间映射到高维特征空间,然后在高维特征空间采用最近邻凸包分类器对样本进行分类。最近邻凸包分类器是一类以测试点到各类别凸包的距离为相似性度量,并按最近邻原则归类的分类算法。人脸识别实验结果证实,这种核函数方法与最近邻凸包分类算法的融合是可行的和有效的。     

改进的RBF神经网络在非线性系统中的应用

在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用。但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长。针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数。在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的。     

基于智能优化算法的模糊软子空间聚类方法

为解决选定特征上的聚类问题和模糊C-均值聚类存在的初始值敏感、易陷入局部最优的问题,提出了一种基于改进萤火虫算法的模糊软子空间聚类方法。该方法在模糊C-均值聚类算法的基础上,采用基于数据可靠性的k-均值算法中特征权值的计算方法,并结合萤火虫算法的全局搜索能力对所有的特征子空间进行搜索;设计了一种目标函数来对聚类结果和子空间所包含的特征维进行评估,并利用目标函数改进了萤火虫算法的搜索公式。实验结果表明,该方法能有效地收敛于全局最优解,具有良好的聚类效果和抗噪性。     

基于动态网格划分的散乱点k邻近快速搜索算法

提出一种新的k邻近的获取方法,将测量数据点的x, y和z坐标按照空间坐标系x轴、y轴和z轴的方向进行三维排序。找到所求点在三维排序中的位置,得到一个动态的网格,并在该网格内搜索k邻近。与传统的包容盒搜索k邻近方法相比,该文算法避免了包容盒法在划分空间网格时,由于网格内点数的不确定性所带来的缺陷。该算法的创新性是根据点的密度,随意扩大或缩小该网格,从而可以快速求得k邻近点。     

一种基于图论的聚类算法NeiMu

提出一种新的基于图论的聚类算法NeiMu。该算法首先分析数据中的对象,寻找每个对象的k近邻,根据k近邻关系构造k近邻有向图,然后通过k近邻有向图中的k-互邻居关系构造k-聚类图,发现数据中的自然聚类。算法的特点是根据数据之间的互为k近邻关系确定数据中的自然簇,而不必引入其他方法来划分小簇,从而能够保证对象不会被错误聚类,仅会与其他小簇一起融合到一个大簇中。这一优点可以有效保证NeiMu算法的聚类质量。而且,NeiMu算法给出的这种类似自底向上的层次聚类结果还有利于用户根据渐变的结果确定最佳的k值。实验结果表明,该算法对密度变化大的数据、大小相差大的数据、任意分布形状的数据均具有很好的聚类质量,对孤立点也很健壮。     

基于k–最近邻分类增强学习的除冰机器人抓线控制

输电线柔性结构特性给除冰机器人越障抓线控制带来极大困难. 本文提出了一种结合k–最近邻(k-nearest neighbor, KNN)分类算法和增强学习算法的抓线控制方法. 利用基于KNN算法的状态感知机制选择机器人当前状态k个最邻近状态并且对之加权. 根据加权结果决定当前最优动作. 该方法可以得到机器人连续状态的离散表达形式, 从而有效解决传统连续状态泛化方法带来的计算收敛性和维数灾难问题. 借助增强学习算法探测和适应环境的能力, 该方法能够克服机器人模型误差和姿态误差,以及环境干扰等因素对抓线控制的影响. 文中给出了算法具体实现步骤, 并给出了应用此方法控制除冰机器人抓线的仿真实验.     

一种基于SfM重建点云的三角网格化算法*

针对SfM重建点云的曲面建模问题,提出一种改进的区域增长网格化算法。定义k近邻影响域提高拓扑稳定性,引入二叉排序树高效地组织候选三角片,采用无向环搜索策略完成孔洞的检测,最终获得完整的三角网格面。实验结果表明,该算法相比于Possion曲面重建,在获得高的重建精度的同时显著提高了计算效率,有助于提升3D曲面重建与模型表现的性能。     

Efficient Near Neighbor Searching Using Multi-Indexes for Content-Based Multimedia Data Retrieval

Many content-based multimedia data retrieval problems can be transformed into the near neighbor searching problem in multidimensional feature space. An efficient near neighbor searching algorithm is needed when developing a multimedia database system. In this paper, we propose an approach to efficiently solve the near neighbor searching problem. In this approach, along each dimension an index is constructed according to the values of feature points of multimedia objects. A user can pose a content-based query by specifying a multimedia query example and a similarity measure. The specified query example will be transformed into a query point in the multi-dimensional feature space. The possible result points in each dimension are then retrieved by searching the value of the query point in the corresponding dimension. The sets of the possible result points are merged one by one by removing the points which are not within the query radius. The resultant points and their distances from the query point form the answer of the query. To show the efficiency of our approach, a series of experiments are performed to compare with the related approaches.     

一种具有动态邻域特点的自适应最近邻居算法

传统的最近邻居算法主要分为k-最近邻居和逆最近邻居,然而二者均在邻域参数选择问题中饱受困扰。在这两种思想的基础上,提出 一种具有动态邻域特点的最近邻居算法——自然邻居,并围绕其概念与特性形成了一套有效的方法。该算法从根本上克服了传统最近邻居思想在任意形状(如流型)数据集中参数选择的难题,摆脱了传统方法的参数依赖,并且取得了极佳的效果。自然邻居思想具有完善的理论模型和详细的实现算法,并且经验证其具有很强的鲁棒性和适应性。     

改进的ANFIS在房产评估中的应用

房产评估是个较为复杂的非线性过程,目前的方法存在房产近邻难以定义等问题。为解决这一问题,提出基于k近邻的自适应神经模糊推理方法,并应用于房产评估。该方法通过定义不同意义的全变量、部分变量、空间、时空的k近邻,计算k近邻均价,将k近邻均价加入模型。实验结果表明,使用基于空间k近邻和时空k近邻改进自适应神经模糊推理方法对房产价格进行预测,准确性显著提高。     

Fast k-nearest neighbor classification using cluster-based trees

Most fast k-nearest neighbor (k-NN) algorithms exploit metric properties of distance measures for reducing computation cost and a few can work effectively on both metric and nonmetric measures. We propose a cluster-based tree algorithm to accelerate k-NN classification without any presuppositions about the metric form and properties of a dissimilarity measure. A mechanism of early decision making and minimal side-operations for choosing searching paths largely contribute to the efficiency of the algorithm. The algorithm is evaluated through extensive experiments over standard NIST and MNIST databases.     

基于核的K-最近邻算法的主动式防御研究

介绍了病毒主动式防御技术、已知病毒的变形检测技术以及改进的K-近邻算法的病毒主动式防御技术,并分析了它们的不足。提出了一种基于核的K-近邻算法与主动式防御技术相结合的解决方案,此方案既可高效地判断安全进程,又可较为准确地检测出未知病毒。     

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。