基于组合加权k近邻分类的无线传感网络节点复制攻击检测方法

无线传感网络节点体积小,隐蔽性强,节点复制攻击检测的难度较大,为此提出一种基于组合加权k近邻分类的无线传感网络节点复制攻击检测方法。通过信标节点的空间位置数据与相距跳数得出各节点之间的相似程度,结合高斯径向基核函数求解未知节点的横轴、纵轴的空间坐标,确定各网络节点的空间位置;根据网络节点的属性特征与投票机制建立节点复制攻击模型,凭借组合加权k近邻分类法划分节点类型,并将结果传送至簇头节点,由簇头节点做出最后的仲裁,识别出节点复制攻击行为。仿真结果表明,所提方法的节点复制攻击检测率最大值为99.5%,最小值为97.9%,对节点复制攻击检测的耗时为5.41 s,通信开销数据包数量最大值为209个,最小值为81个。

基于泡沫图像特征加权K近邻算法的锌矿浮选工况识别方法

浮选工况识别在泡沫浮选工程中起着至关重要的作用,仅依靠人工经验进行主观性识别,准确性和效率都低。为此提出了一种考虑泡沫图像特征间相互作用的加权K近邻(KNN)算法用于实现浮选工况类别的识别。在本研究中,首先,通过信息熵对泡沫图像特征与浮选工况类别之间的相关性进行量化,同时评估该特征与其他特征之间的冗余性。然后,计算该特征与浮选工况类别相关性和该特征与其他特征冗余性之间的差值,将这一差值作为特征的权重。其次,在KNN算法中针对欧式距离进行特征加权,以实现KNN算法的特征加权。然后,将特征选择过程嵌入到特征加权KNN分类算法的训练过程中,并选取分类准确率最高的特征子集作为最优特征子集。最后,基于最优特征子集完成浮选工况的识别。研究结果表明,本方法与其他基准分类算法相比,在分类准确度和时间上都达到了最佳效果,验证了本研究所提出的浮选工况识别方法的有效性。

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。

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。

基于反向K近邻和密度峰值初始化的加权Kmeans聚类入侵检测算法

传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响,为了避免这些影响,该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向K近邻,针对不同规模、不同密度分布数据集,可以自适应地搜索密度峰值点作为初始类簇中心;自适应设定相对簇半径,并通过样本加权进行类簇中心迭代,在不同数据分布下可以有效降低边缘点和离群点对聚类结果的影响。试验结果证明,该算法在聚类性能提升的同时迭代次数大幅降低,随着入侵行为类型和数据规模的增加,该文聚类算法仍体现出较好的性能,且在发现未知攻击类型上效果显著。

基于加权的K近邻线性混合显著性目标检测

显著性目标检测旨在于一个场景中自动检测能够引起人类注意的目标或区域,在自底向上的方法中,基于多核支持向量机(SVM)的集成学习取得了卓越的效果。然而,针对每一张要处理的图像,该方法都要重新训练,每一次训练都非常耗时。因此,该文提出一个基于加权的K近邻线性混合(WKNNLB)显著性目标检测方法:利用现有的方法来产生初始的弱显著图并获得训练样本,引入加权的K近邻(WKNN)模型来预测样本的显著性值,该模型不需要任何训练过程,仅需选择一个最优的K值和计算与测试样本最近的K个训练样本的欧式距离。为了减少选择K值带来的影响,多个加权的K近邻模型通过线性混合的方式融合来产生强的显著图。最后,将多尺度的弱显著图和强显著图融合来进一步提高检测效果。在常用的ASD和复杂的DUT-OMRON数据集上的实验结果表明了该算法在运行时间和性能上的有效性和优越性。当采用较好的弱显著图时,该算法能够取得更好的效果。

一种基于线性邻域传播的加权K近邻算法

为提高高光谱遥感影像在训练样本不足时的分类精度,提出一种基于线性邻域传播的改进加权K近邻算法。采用线性邻域传播(LNP)算法获取无标签数据属于各类别的概率,将其作为类别信息,以增加训练样本数量,提高K近邻算法的分类效果,并降低错误分类带来的风险。实验结果表明,对于高光谱遥感影像,该算法具有较好的分类效果,优于传统的KNN算法、距离加权KNN算法以及LNP等半监督分类算法。

加权K近邻和加权投票相结合的虹膜识别算法

利用彩色虹膜数据库研究了在正常环境下采集到的有噪声的虹膜图像在不同色度空间中各颜色通道的性能,提出了一种决策层融合方法,利用加权K近邻方法和加权投票相结合进行虹膜识别.对于每个单独的颜色通道,根据比对距离找到前K个近邻,利用排序与相似度相结合的方法为这K个近邻赋权值(RSWKNN),作为各通道的决策输出.在综合各通道的决策时,利用各通道的性能,对各通道的决策输出进行加权投票,本文采用了四种基于通道性能的各通道加权方法.实验分析了各种算法的性能,结果表明:本方法能够有效提高虹膜识别的准确率和稳定性.

用于支持向量机拒识区域的加权k近邻法

为解决1-v-r和1-v-1支持向量机中存在的拒识区域问题,提出一种加权k近邻法。该方法计算落入拒识区域中的样本,即拒识样本到所有训练样本的距离,选择最近的k个样本为拒识样本的类别投票,并根据距离大小进行加权,得票多的类即拒识样本的所属类。实验结果表明,加权k近邻法实现了零拒识,提高了传统多分类支持向量机的分类性能。

基于加权K近邻的改进密度峰值聚类算法

密度峰值聚类算法是一种新颖的密度聚类算法,但是原算法仅仅考虑了数据的全局结构,在对分布不均匀的数据集进行聚类时效果不理想,并且原算法仅仅依据决策图上各点的分布情况来选取聚类中心,缺乏可靠的选取标准。针对上述问题,提出了一种基于加权K近邻的改进密度峰值聚类算法,将最近邻算法的思想引入密度峰值聚类算法,重新定义并计算了各数据点的局部密度,并通过权值斜率变化趋势来判别聚类中心临界点。通过在人工数据集上与UCI真实数据集上的实验,将该改进算法与原密度峰值聚类、K-means及DBSCAN算法进行了对比,证明了改进算法能够在密度不均匀数据集上有效完成聚类,能够发现任意形状簇,且在三个聚类性能指标上普遍高于另外三种算法。

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法。算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值。实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44%,可为相关应用提供更精确的定位服务。

基于自适应时序窗口加权k近邻的故障检测方法

为了解决在工业生产过程中时序和多阶段的问题,提出了一种基于正交局部保持投影(OLPP)和自适应时序窗口加权k近邻(ATSWKNN)的故障检测方法。首先,采用OLPP方法,在保持样本近邻关系的基础上,将原始数据投影到低维特征空间;其次,在特征空间中选取某类时序窗口,并计算时序平方距离;然后,将窗口内样本到其空间上近邻集的平均累积平方距离的倒数作为权重;最后,构造统计量对过程进行监控。OLPP-ATSWKNN通过时序信息的提取和窗口内权重的引入降低了过程的自相关性和解决了多阶段的统计差异问题。此外,自适应的窗口切换策略解决了阶段切换时统计指标异常的问题。通过对数值模拟过程和青霉素发酵过程的监控实验,检验了OLPP-ATSWKNN的监控性能,监控结果显著优于经典方法。

WiFi指纹定位中改进的加权k近邻算法

针对WiFi指纹定位中传统的信号欧氏距离不能很好地反映各位置点间物理距离的问题,提出了改进的加权k近邻定位算法。首先,在信号距离的计算中引入接收信号强度的方差;然后,根据接收信号强度和物理距离之间的非线性关系引入加权系数,设计了一种信号加权欧氏距离;最后,利用信号加权欧氏距离进行指纹匹配和位置估计,改进了加权k近邻算法。在真实环境下的实验结果表明,信号加权欧氏距离能够更准确地衡量各点之间的物理距离并选择更合理的最近邻参考点。与现有的加权k近邻算法相比,改进的加权k近邻算法能够明显地提高WiFi指纹定位的精度。

一种层次聚类和自适应加权K近邻组合的室内定位算法

针对基于接收信号强度的位置指纹室内定位算法定位精度不高的问题,提出了一种均值层次聚类和自适应加权K近邻(weighted K nearest neighbor,WKNN)的室内定位算法。算法首先在设置的参考点上采集蓝牙信号强度构建离线指纹数据库,然后采用均值层次聚类方法将所有参考点根据各自之间的相似度分为n个类,滤除掉相似度较小的参考点,最后根据待定位点和参考点间的信号距离的相似度,计算出距离差的标准差来自适应确定K值,并进行位置估算。实验结果表明,本文提出的算法在定位精度上比WKNN、动态加权K近邻(enhanced weighted K nearest neighbor,EWKNN)方法分别提升了30.0%和18.0%,在定位实时性上比WKNN和EWKNN方法分别提高了19.2%和28.4%。将该算法用于室内物体定位,可以同时提高定位精度和定位实时性。

一种基于WiFi指纹特征匹配的加权K近邻室内定位算法

针对WiFi信号强度测量存在波动,位置指纹定位系统精度低的问题,提出了一种改进的加权K近邻室内定位算法。从指纹采样间隔、WiFi接入点的数量等方面分析接收信号强度特性,优化指纹数据库,实现室内定位,并分析了接入点数量、采样间隔、K取值对定位精度的影响。实验结果表明,利用该算法可以实现1.98m的定位精度。

特征加权的高斯加权K近邻-支持向量机的水泵故障诊断方法

针对实际运行环境下的工业水泵具有工况数据量大、运行时间长、特征类型多等特点,提出一种基于特征加权的高斯加权K近邻-支持向量机(GWKNN-SVM)的组合故障诊断分类算法。首先通过对某化工厂三台水泵5个月份的运行采集数据进行特征提取和清洗,然后分别使用高斯加权K近邻算法(GWKNN)-支持向量机算法(SVM)对数据进行快速粗分类和边界数据细分类,以提高水泵故障分类精度和识别效率。最后通过仿真实例比较了相同条件下GWKNN-SVM算法和其他分类算法的故障分类效果。试验结果表明,该组合分类方法能够有效提高水泵工况的故障分类精度,从而实现工业环境下的水泵健康监测。

基于加权K近邻算法的抽象画图像情感分布预测

现有的大部分图像情感分类计算主要致力于预测图像情感的类别,没有考虑观察者对于图像情感不同的主观感受,因此仅对图像进行情感分类并不能满足现实需要。本文提出采用加权K近邻算法对数据集中每幅抽象画图像进行离散情感的分布预测,首先提取图像的情感特征,不同的K值,按照距离加权为每幅图像预测对应的情感分布情况,然后与数据集已知的情感分布进行比较。以Abstract图像库作为数据集进行实验,并验证了算法的有效性。

基于MapReduce的并行加权k近邻与离群检测

利用MapReduce编程模型,提出一种并行的加权k近邻与离群检测方法WKNNOM-MR.该算法首先对输入数据随机均匀采样,在样本数据集中采用信息熵计算各个属性的权值;然后在集群中的数据节点上对输入数据进行加权,并将其映射到Z-order空间填充曲线,给出了一种基于Z-order的加权k近邻查询方法;根据每个对象与其加权k近邻之间的距离计算离群因子,在兼顾最小距离与平均距离的基础上,给出离群点检测算法;最后在具有5个节点的Hadoop集群上实现该算法,并采用人工合成数据集、UCI标准数据集进行实验,结果验证了该算法的有效性、可扩展性和可伸缩性。

基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略

本文提出了一种基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略。首先,基于专家先验知识筛选18个多联机运行特征,经数据预处理步骤后,采用递归特征消除(RFE)算法进行特征选择,筛选出最优特征子集;然后基于加权k近邻(wkNN)算法对训练集建立诊断模型,并采用网格搜索算法得到最优参数组合,对制冷剂充注量故障进行诊断。结果表明:该诊断策略弥补了现有方法中“只适用于单一工况、充注量等级分类少”等不足,选择重要性排列前7的特征集作为最优特征子集,在全工况和9个充注量等级的情况下,整体准确率为98.30%,受试者工作特征曲线下的面积(AUC)为0.9883,为设备维护人员提供了详细、关键的信息。

基于Mean-Shift和加权K近邻的UWB指纹定位算法

针对受室内环境多径影响,基于接收信号强度指示(RSSI)的传统指纹定位算法中RSSI值波动性大的问题,利用超宽带(USB)信号时间分辨率高、测距值精确的优点,提出以测距值作为指纹量,构建超宽带指纹定位方法。提出了Mean-Shift与加权K近邻相结合的指纹定位算法,减少了在线匹配工作量的同时,降低了环境变化对定位结果的影响。通过实际场景实验测试表明:所提方法在视距和非视距环境中均可以达到厘米(cm)级定位精度,有效提高了定位的精度和稳健性。