基于Choquet积分-OWA的自适应神经模糊推理系统及其应用

针对已有的自适应神经模糊推理系统(ANFIS)在模糊规则后件表达上的缺陷和常见的模糊推理系统存在的主要问题,提出基于Choquet积分OWA的模糊推理系统(AggFIS),在模糊规则的后件表达、模糊算子的普适性和输入及规则的权重等方面有很大优势,它试图建立能够充分体现模糊逻辑本质和人类思维模式的模糊推理系统.根据模糊神经网的基本原理将AggFIS与前馈神经网络相结合,得到基于Choquet积分-OWA的自适应神经模糊推理系统(Agg-ANFIS),并将该模型应用于交通服务水平评价问题.实验结果证明,基于Choquet积分OWA的自适应神经模糊推理系统具有很好的非线性映射功能,它的本质是一类通用逼近器,为解决复杂系统的建模、分析及预测问题提供了有效的途径.     

基于ANFIS的迭代学习控制初始控制研究

将自适应神经模糊推理算法用于迭代学习控制初始控制输入量的求取问题,提出一种基于自适应神经模糊推理系统的迭代学习初始控制算法。针对传统迭代学习控制中对于经验数据运用不足或是没有运用的问题,利用迭代学习控制对于以往控制任务的学习建立经验数据库,通过自适应神经模糊推理系统对于经验数据库中的数据进行拟和以得到新的控制输入量。通过仿真分析验证了算法的可行性和有效性。     

基于角度的图神经网络高维数据异常检测方法

在高维数据空间中,数据大都处于高维空间边缘且分布十分稀疏,由此引起的“维度灾难”问题导致现有异常检测方法无法保证异常检测精度。为解决该问题,提出一种基于角度的图神经网络高维数据异常检测方法A-GNN。首先通过数据空间的均匀采样和初始训练数据的扰动来扩充用于训练的数据;然后利用k近邻关系构造训练数据的k近邻关系图,并以k近邻元素距离加权角度的方差作为近邻关系图节点的初始异常因子;最后通过训练图神经网络模型,实现节点间的信息交互,使得相邻节点能够互相学习,从而进行有效的异常评估。在6个自然数据集上将A-GNN方法与9种典型异常检测方法进行实验对比,结果表明：A-GNN在5个数据集中取得了最高的AUC值,其能够大幅提升各种维度数据的异常检测精度,在一些“真高维数据”上异常检测的AUC值提升达40%以上;在不同k值下与3种基于k近邻的异常检测方法相比,A-GNN利用图神经网络节点间的信息交互能有效避免k值对检测结果的影响,方法具有更强的鲁棒性。     

一种障碍空间数据库中的连续反k近邻查询方法

随着智能移动设备和无线定位技术的飞速发展,使用基于位置服务应用的用户越来越多.特别地,不同于传统的针对固定位置的快照查询,移动的用户往往基于移动轨迹发出连续的查询.在真实和虚拟的空间环境中,障碍物的影响都是广泛存在的,障碍空间内的查询处理技术得到了越来越多的关注,其中,障碍空间内的连续反k近邻查询处理有着重要的应用.对障碍空间中的连续反k近邻查询问题进行了定义和系统的研究,通过定义控制点和分割点,提出了针对该问题的处理框架.进一步地,提出了一系列的过滤和求精算法,包括剪枝数据集、获取障碍物、剪枝和计算控制点和更新结果集等处理策略.基于多种数据集对所提出的算法进行了实验评估.与针对每个数据点进行k 近邻计算的基本方法相比,这些方法可以大幅度提高查询处理的CPU 和I/O 效率.     

样本列信息与自适应邻域图的局部保持投影

针对局部保持投影(locality preserving projection,LPP)算法在传统k近邻构图过程中出现的参数k选择困难问题和样本的一维向量容易忽略样本的原始结构特征问题,引入样本的列信息思想,提出了一种基于样本对应列信息的自适应邻域构图的局部保持投影算法(adaptive neighbor and corresponding columns based graph construction on LPP,ANCCG-LPP)。该算法根据样本间的列信息自适应地得出所有样本列的列近邻,然后根据样本间成对的列近邻个数自适应地确定样本的邻域;最后通过重新定义权值矩阵来优化目标函数进行最优投影向量集的求解。在ANCCG-LPP算法的基础上,通过加入样本的类别信息,提出了有监督的ANCCGLPP算法。在ORL、Yale Extended B人脸库上的仿真实验验证了该算法的有效性。     

面向时间依赖路网的连续k近邻查询

连续k近邻查询(continuous k-nearest neighor,Ck NN)定义为查找指定路径上每个点的k个最小代价数据对象。目前关于Ck NN的研究都是在欧式空间与静态路网中实现的,这些算法不能直接应用到边权值变化的时间依赖路网中。定义并解决了时间依赖路网中的Ck NN问题,利用积分的性质以及通过对权值代价函数合并的方式提出了两阶段的基于分割点的Ck NN查询算法。过滤阶段提出了计算节点到达时间的方法,再利用到达时间查询出多个候选k近邻结果;求精阶段将查询点到候选结果的权值函数合并,通过计算函数交点得到分割点,进而为查询返回若干个分割点以及相应区间内的k近邻结果。实验结果表明,与进行多次快照k近邻查询相比,所提算法在响应时间上减少了近一个数量级。     

基于自适应邻域选择的局部判别投影算法

在多模数据分类中,使用局部Fisher判别分析和边界Fisher分析方法构建邻域不能充分反映流形学习对邻域的要求.为此,提出一种基于自适应邻域选择的局部判别投影算法.采用自适应方法扩大或者缩小近邻系数k,以构建邻域,从而保持局部线性结构,揭示流形的内在几何结构,利用局部化方法使得投影空间中同类近邻样本尽量紧凑、异类近邻样本尽量分开.在ORL和YALE入脸数据库中进行实验,结果表明,在不同训练样本个数下,该算法均能获得较高的识别率.     

一种基于自然最近邻的离群检测算法

任何涉及k近邻求解问题的算法被应用于处理不同特征的数据集时,参数k值的选择都会明显影响算法的性能和结果。因而,如何选择k近邻算法中敏感参数k值一直是一个研究难点。提出了一种新的近邻关系———自然最近邻,它不需要设置参数k,每个节点的邻居是由算法自适应计算而形成的。针对离群点检测的特殊性,通过确定自然最近邻居搜索算法的终止条件,提出一种基于自然最近邻的新的离群检测算法ODb3N。实验表明,该算法不仅避免了k近邻中参数的选择问题,而且能够更有效地发现离群簇。     

空间数据库中的线段k近邻查询研究

K近邻查询是空间数据库中的重要查询之一,k近邻查询在内容的相似性检索、模式识别、地理信息系统中有重要应用。针对现有k近邻查询都是基于点查询的情况,提出基于平面线段的k近邻查询,查找线段集中给定查询点的k个最近线段。给出基于Voronoi图的线段k近邻查询算法及给出相关定理和证明。该算法通过线段Voronoi图的邻接特性找到一个候选集,然后从中找到最终结果。通过随机数据的实验证明,所提算法明显优于线性扫描算法和基于R树的k近邻查询算法。     

城市污水处理水质多尺度自适应特征提取

针对城市污水处理中水质数据样本存在时间和空间尺度不一致,导致水质特征变量难以准确提取的问题,提出了一种基于数据自适应重构的城市污水处理水质多尺度特征提取方法。首先,在数据时间尺度处理方面,设计了一种基于多尺度多样性熵计算的变量时间尺度优化方法,运用插值法构造等时间尺度的数据样本矩阵;其次,在数据空间尺度处理方面,设计了一种k近邻算法的多尺度数据空间重构方法,获取了数据同一空间分布的样本矩阵;最后,设计了一种基于自适应主元分析法(PCA)的数据特征动态提取方法,从数据重构样本矩阵中动态提取水质的特征变量。实验结果表明,基于数据自适应重构的多尺度特征提取算法能够准确地提取水质的特征变量。     

一种自适应k-最近邻算法的研究

针对传统k-最近邻算法(k-Nearest Neighbor, kNN)存在搜索慢的缺陷,提出了一种改进型的自适应k-最近邻算法。该方法在以测试样本点为中心的超球内进行搜索,对超球半径的生长进行采样,建立半径生长的BP神经网络模型,逼近半径变化函数,并用该函数指导超球体的生长。该方法有效地缩小了搜索范围,减少了超球体半径生长的试探次数,对处理稀疏数据集有明显的优越性。     

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。     

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。     

基于时序模式匹配的k-近邻分类在流失预测中的应用

为了解决电信行业中如何预测用户流失的问题，该文提出了一种基于时序模式匹配的k-近邻分类方法。与传统的预测方法（如基于决策树的方法）相比，该方法分类时序数据时，不需要将时序数据离散化为非时序数据。该文详细描述了算法的设计以及在真实的电信数据上的应用。与C4.5方法的实验结果比较，表明了该方法有效地保留了时序的完整性，在一定程度上提高了预测准确率。     

MkNNI：基于相互最近邻的缺失值填充新方法

针对k最近邻填充算法（kNNI）在缺失数据的k个最近邻可能存在噪声,提出一种新的缺失值填充算法——相互k最近邻填充算法MkNNI（Mutualk-NearestNeighborImputa—tion）。用于填充缺失值的数据,不仅是缺失数据的k最近邻,而且它的k最近邻也包含该缺失数据．从而有效地防止kNNI算法选取的k个最近邻点可能存在噪声这一情况。实验结果表明．MkNNI算法的填充准确性总体上要优于kNNI算法。     

基于[k]-近邻与局部相似度的稀疏子空间聚类

为了获得结构更加合理的仿射矩阵,提出了一种基于[k]-近邻与局部相似度的稀疏子空间聚类算法。该算法首先计算每个点的[k]-近邻,并对其用[k]-近邻数据点进行线性表示,使仿射矩阵在整体稀疏的情况下保证局部的强线性关系。基于图论知识,利用数据的实际分布情况对仿射矩阵进行约束,使仿射矩阵进一步合理地等价于待进行谱聚类的相似矩阵。在人造数据集、随机生成的子空间数据集、图像数据集以及真实数据集上进行了实验,结果表明该算法是有效的。     

多维度量空间中发现相互kNN(英文)

发现两类对象的相互k最近邻居可为工作匹配、大学选择等应用提供决策。现有的方法主要处理单度量空间(如L2 norm),这些方法有可能导致不公平的匹配。形式化多度量空间的相互最近邻问题,提出基于空间索引的多度量空间下的相互k最近邻算法。利用人工数据集,测试了大量的参数设置下的算法性能,结果表明提出的算法优于可选的直接算法。     

基于图模型的关键词挖掘方法

文章提出一种基于图模型的关键词挖掘方法,应用K最邻近耦合图构造文档的图模型,将文档映射为一个语义结构图,然后结合聚类系数变化量,平均路径变化量,TF-IDF以及区域位置因子来衡量词语节点的重要性,根据重要性得分选择候选关键词集,最后根据短语合并规则形成最终的关键词,实验结果表明,该方法相比于TF-IDF和小世界特征方法性能有所提高。     

邻域保持嵌入—加权k近邻故障检测算法及其在半导体蚀刻过程中的应用

为了解决复杂的多模态过程故障检测问题,提出了邻域保持嵌入-加权k近邻规则（neighborhood preserving embedding-weighted k-nearest neighbors,NPE-wkNN）质量监控方法.首先,利用邻域保持嵌入（neighborhood preserving embedding,NPE）得到特征空间中数据的流形结构;然后,在特征空间中确定每个样本第k近邻的前K近邻集并计算样本的权重.最后,将样本的加权距离作为统计量对过程进行质量监控.NPE-wkNN方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,权重规则消除了数据的多模态特征,从而提高了过程故障检测率.通过数值实例和半导体蚀刻工艺仿真实验,对比了传统的主元分析（principal component analysis,PCA）、NPE、k近邻（k-nearest neighbor,kNN）、加权k近邻（weighted kNN,wkNN）等方法,结果验证了本文方法的有效性.     

Complexity analysis for partitioning nearest neighbor searchingalgorithms

Presents cost estimates for finding the k-nearest neighbors to a test pattern according to a Minkowski p-metric, as a function of the size of the buckets in partitioning searching algorithms. The asymptotic expected number of operations to find the nearest neighbor is presented as a function of the average number of patterns per bucket n and is shown to contain a global minimum