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。

基于邻域互信息与K-means特征聚类的特征选择

针对多数邻域系统通过人工调试很难搜索到最佳邻域半径,以及传统的K-means聚类需要随机选取簇中心和指定簇的数目等问题,提出了一种基于邻域互信息与K-means特征聚类的特征选择方法。首先,将样本在各特征下与其他样本距离的平均值作为自适应邻域半径,确定样本的邻域集,并由此构建自适应邻域熵、邻域互信息、归一化邻域互信息等度量,反映特征之间的相关性;然后,基于归一化邻域互信息构建自适应K近邻集合,利用Pearson相关系数表示特征的权重定义加权K近邻密度,实现自动选取K-means算法的簇中心,进而完成K-means特征聚类;最后,给出加权平均冗余度,选出每个特征簇中加权平均冗余度最大的特征构成最优特征子集。实验结果表明所提算法不仅可以有效提升特征选择的分类结果而且可以获得更好的聚类效果。

基于CSI改进的WKNN室内定位方法

传统的加权K最近邻算法中以距离作为权值,随着数据维度的增加,计算距离与真实距离的误差越来越大。针对这一问题,提出了一种贝叶斯后验概率的加权K最近邻算法——贝叶斯后验概率(Bayes ian Posterior Probability-Weighted K-Nearest Neighbor,BPP-WKNN)方法。首先用支持向量机算法分类选取测试点的近邻指纹点,其次计算测试点到每个近邻指纹点的贝叶斯后验概率,最后以贝叶斯后验概率的大小作为权值进行BPPWKNN算法定位。实验果表明:与基于曼哈顿距离的加权K最近邻算法和基于欧氏距离的加权K最近邻算法相比,改进后的BPP-WKNN定位算法的定位精确度和稳定性更高;利用支持向量机算法的稀疏性定位完成时间分别缩短了49%与42%。

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。

基于投票加权GS-KNN的离心风机故障诊断

风机作为火力发电的重要辅机,对其进行及时高效的故障诊断,可有效减少停机损失,提高火力发电效率。k近邻(KNN)对非平稳数据样本有良好的分类能力。为了改进传统KNN算法存在的缺陷,构建投票加权网格搜索-k近邻算法(投票加权GS-KNN)故障诊断模型,利用网格搜索完成k值的选取,基于前k个近邻构建与距离值呈负相关的权值投票公式,依据投票得分情况进行故障诊断。使用投票加权GS-KNN模型对离心风机常见的9种运行状态进行故障诊断,拟合k值与准确率的关系,诊断准确率可达到100%。

自适应动态K的WKNN室内定位方法

WiFi室内定位已被广泛研究,并且提出了许多解决方案,其中以接收信号强度(received signal strength,RSS)作为位置指纹的加权K-最近邻(weighted K-Nearest neighbor,WKNN)算法是目前使用最广泛的位置指纹算法之一。由于WKNN算法通常采用固定的K值,其定位精度在实际使用时具有局限性。尽管动态K的方案被提出,但是由于引入了新的不确定性参数,因此,并未真正解决问题。针对这个问题,提出了一种自适应动态K的WKNN室内定位方法。提出的算法的K值自适应调整仅依赖于离线和在线数据,即可以不引入新的不确定参数。在这个前提下,提出的算法采用"多雷达搜索策略"的方式自适应选择近邻数K值进行在线位置估计。在真实环境中采样了大量数据进行了试验。试验结果表明,提出的算法可根据在线情况自适应调整K值,获得了较好的定位结果。

基于KSLPP与RWKNN的旋转机械故障诊断

针对旋转机械高维故障特征集识别精度低的问题,提出基于核监督局部保留投影(Kernel Supervised Locality Preserving Projection,KSLPP)与Relief F特征加权的K近邻(Relief F Weighted K-Nearest Neighbor,RWKNN)分类器相结合的维数约简故障诊断方法。该方法首先应用KSLPP提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后最小化类内散度,最大化类间分离度;随后,将降维后得到的低维敏感特征集输入RWKNN进行模式识别,RWKNN能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度和鲁棒性。最后,通过典型转子实验台的故障特征集验证了该方法的有效性。

一种基于特征加权的K Nearest Neighbor算法

传统的KNN算法一般采用欧式距离公式度量两样本间的距离.由于在实际样本数据集合中每一个属性对样本的贡献作用是不尽相同的,通常采用加权欧式距离公式.笔者提出一种计算权重的方法,即基于特征加权KNN算法.经实验证明,该算法与经典的赋权算法相比具有较好的分类效果.

基于RSSI分布重叠的WKNN室内定位方法

针对信号的时变性影响定位精度的问题,提出一种基于接收信号强度指示高斯分布重叠的加权K最近邻室内定位方法.该方法首先根据高斯分布重叠相似度与距离之间的曲线关系设定相似度阈值,再利用支持向量机选取定位点M个最近邻指纹点,然后将定位点与近邻指纹点在各AP上以RSSI概率分布重叠相似度作为特征信息,并利用阈值选取K个近邻指纹点,最后利用WKNN算法获取定位点位置坐标.实验结果表明:该方法不仅定位误差低于其它传统定位方法,同时还具有更好的鲁棒性和实用性.

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。

一种改进的WKNN匹配算法

在WiFi室内定位方法中,基于接收信号强度(RSSI)离线指纹数据库的加权K最邻近点(WKNN)算法得到了深入研究,但目前的WKNN算法未考虑实测数据维度高、无效缺省数据多等特点,不利于匹配定位精确度的提高。为此,在对实测RSSI指纹向量按照由大到小进行排序的基础上,只选取大于设定RSSI阈值的有效RSSI指纹数据进行后续的匹配;按照欧式距离的统计量自适应调整K值;按照欧式距离的均值,调整高斯权重系数。实验结果表明,与未改进的WKNN算法相比,改进后的WKNN算法定位精确度更高。

基于Kmeans和动态WKNN的两层Wi-Fi改进定位方法

基于KNN(K Nearest Neighbor)的算法广泛应用在Wi-Fi室内定位中,但传统的KNN模式匹配阶段匹配时间消耗过长,而且采用固定的K值来搜索最邻近点存在较大的定位误差。针对这两个方面,文中提出一种基于Kmeans聚类和动态WKNN(Weighted K Nearest Neighbor)的新型两层定位算法。实验表明在时间复杂度和平均定位误差方面,文中提出的改进算法较传统的KNN,WKNN和EWKNN(Enhanced Weighted K Nearest Neighbor)均有改善。同时针对在指纹库构建阶段现实存在的暂时性"消失"现象,提出针对缺省值的最邻近插值方法,实验证明可以有效减少定位误差。

基于归一化RSS和约束WKNN的WiFi指纹定位算法

针对基于加权K最近邻(WKNN)的WiFi指纹定位算法精度低的问题,提出了基于归一化接收信号强度(RSS)和约束WKNN的WiFi指纹定位算法。采用高斯滤波对离线阶段和在线阶段采集的RSS值去噪,降低信号的随机误差,并建立位置指纹库(radio map);采用基于4—域系统的WKNN算法匹配定位,防止离待测点较远的参考点参与匹配造成的误差。实验结果表明:改进后的WiFi指纹定位算法可以更好地估计用户的实际位置,平均定位误差降低了19.4%。

自调优自适应遗传算法的WKNN特征选择方法

针对大多已有基于K近邻和遗传算法的特征选择方法中没有考虑各个特征的重要度不同,并且容易出现过早收敛,特别是局部最优解问题,提出了一种基于自调优自适应遗传算法的WKNN特征选择方法。该方法使用WKNN算法预测样本的类别,为每个特征分配一个权重来衡量特征的分类能力,然后采用自调优自适应遗传算法,对变异率、种群规模和收敛阈值进行参数调整,在迭代进化过程中搜索最优特征权重向量。为了评价该方法的有效性,与已有7种特征选择方法在5个标准数据集上进行了比较。实验结果表明,该方法是有效的,且具有较高的分类性能。

信号域距离对室内WKNN指纹定位精度的影响分析

室内加权K近邻(WKNN)指纹定位的关键是测试指纹与参考指纹间信号域距离的表达,现有研究对信号域距离计算的研究不够深入。为研究信号域距离对室内指纹定位的影响,根据遍历指纹以及求和与求均值计算对信号域距离进行分类,利用WKNN算法在3200 m2的试验场基于不同信号域距离开展指纹定位测试。基于遍历测试指纹计算得到信号域距离的定位平均误差(ME)为2.398 m,均方根误差(RMSE)为1.903 m。与其他信号域距离相比,ME减小了至少0.648 m,RMSE减小了至少0.573 m。实验结果表明:信号域距离对指纹定位精度的影响较大,基于遍历测试指纹计算得到信号域距离的指纹定位精度最高。

基于聚类优选自适应KNN的改进定位算法

针对室内复杂环境下,WiFi定位算法选取固定K近邻(KNN)会导致定位精度变差的问题,提出基于MeanShift聚类选取自适应KNN的混合相似度加权KNN(MWKNN)定位算法,并基于几何位置对自适应KNN进行动态优选。通过MeanShift聚类和几何位置动态优选自适应KNN进行加权KNN(WKNN)算法定位估计,削弱了含有较大误差的近邻点参与定位的影响,显著提高了算法的定位精度。实验结果表明:在3 m网格及3 dBm噪声标准差条件下,改进MWKNN定位算法的均方根误差为0.92 m,平均定位误差小于0.74 m;2 m精度下的概率达到96%。定位精度明显优于传统KNN和WKNN算法,同时提升了定位结果的稳定性。

改进WKNN结合最大熵CQKF的室内定位方法

为了提高移动目标的室内定位精度,本文提出一种改进加权K近邻法(WKNN)结合最大熵容积积分卡尔曼滤波(MCCQKF)的WiFi室内定位方法。该方法对WKNN定位算法进行改进,采用马氏距离作为WKNN中距离的度量方法,其次计算接入点信号取值的差异程度,将其作为移动目标与参考点之间马氏距离的权重参数,并用该加权距离对参考点位置进行加权估计移动目标位置。通过将最大熵准则引入CQKF得到MCCQKF,并采用MCCQKF算法对改进WKNN得到的定位结果进行滤波,有效地提高定位精度。实验结果表明,改进WKNN比传统WKNN具有更小的定位误差,MCCQKF不但具有较高的估计精度,而且相比于未采用滤波处理的定位结果,MCCQKF可使定位误差减小53.2%。

基于离散系数改进的VWKNN位置指纹定位算法

位置指纹算法是研究室内定位技术的主要方法,其中在线阶段的匹配算法是影响室内定位精度的主要因素之一。目前,在线阶段的匹配算法有最近邻算法、K近邻算法以及加权K近邻算法。其中,最近邻算法和K近邻算法都没有考虑到不同参考点和待定位点之间的欧氏距离对定位精度的影响,而加权K近邻算法虽然考虑到了欧氏距离对定位精度的影响,对最终的定位结果采用欧氏距离归一化处理进行加权,却没有考虑到AP信号的波动性对定位结果也会产生很大的影响。因此,针对在线阶段的匹配算法作出改进,提出了基于离散系数改进的加权K近邻算法。在离线阶段建立位置指纹数据库,在在线阶段使用离散系数来反映各AP信号的稳定性,进而对待定位点与参考点之间的欧氏距离进行加权,计算出所有的加权欧氏距离后,从中选取距离最近的k个参考点,估算出待定位点的物理位置。实验结果表明:基于离散系数改进的加权K近邻算法可以实现平均定位精度比K近邻算法提高15%~17%,较加权K近邻算法提高了11%~13%的定位效果。