基于KNN-SVM算法的温室番茄生长预测模型

为解决现有温室番茄生长模型预测准确率低的问题,依据番茄生理学的基本特点,以温室内的环境参数为模型变量,建立了温室番茄生长发育的非线性模型。该模型描述了温室内温度、湿度、土壤温度、土壤湿度等环境因子对番茄发育速度的影响,模型具有良好的解释能力和较高的精度。首先,将利用各类传感器对吉林省吉林市温室番茄生长的各类环境数据进行收集;然后,对番茄温室的实际数据进行处理,再利用KNN算法对缺失和异常数据进行补充,并进行相关性分析;最后,在处理完成的番茄作物生长数据的基础上,考虑番茄作物对温室环境的实时反馈,结合相关性利用SVM优化算法对2020—2021年的吉林市经开区温室番茄数据进行模拟,得到SVM、LDA、LR的准确率分别为0.904、0.885、0.865。结果表明,SVM可以更好地预测番茄的生长变化。温室番茄作物—环境互作模型的建立,为温室环境控制打下了良好基础。

基于KNN-SVM的网络安全态势评估模型

为了提高网络安全态势评估性能,提出一种K近邻和支持向量机相融合的网络安全态势评估模型(KNN-SVM)。将网络安全数据集输入到支持向量机学习,找到支持向量集,对于待评估网络安全态势样本,计算其与最优分类超平面间的距离,如果距离大于阈值,采用支持向量机进行网络安全态势评估,否则采用K近邻进行评估,以解决支持向量机对超平面附近样本易错分的缺陷,减少SVM的误判率。仿真结果表明,相对于单独SVM,KNN-SVM提高了网络安全态势评估正确率,而且性能更加稳定。

基于KNN-SVM算法的温室番茄生长预测模型研究

随着我国农业温室大棚技术的发展,番茄成为大棚蔬菜中典型的农作物之一,我国番茄种植生产量以及规模已位于世界第一。就目前数据显示,我国番茄大棚种植管理数据可视化程度较低,在番茄生产种植作业中,对其生长所需的参数难以精确调控,严重影响大棚作物产业的进一步发展。为确保大棚番茄生产作业的科学化、精准化,文章提出了基于KNN-SVM算法的温室番茄生长预测模型,通过模型,结合信息化设备以及人工方式采集的大棚番茄全周期生长信息,生成大棚番茄各阶段生长预测模型。在项目部署过程中,从算法的改进、数据采集、数据分析、数据可视化等方面入手,使得其适应环境的能力更强,数据的准确性更高,为大棚番茄规范化种植提供了参考。

水声目标识别中的K-D树KNN-SVM分类器研究

常规的KNN-SVM联合分类器中K-近邻算法没有充分挖掘训练样本的信息,使用遍历的方法来计算待识别样本与训练样本之间的距离,特别是在训练样本巨大时,存在大量的冗余计算。针对该问题,将训练样本训练成K-D树的结构,设计了K-D树KNN-SVM分类器,该分类器可以大大减少这些多余的计算,从而提高了搜索效率,有效缩短了搜索时间。进行了仿真和实验研究,分别设计了KNN、SVM、KNN-SVM分类器对两类水下目标进行了分类识别,并对相关参数的选取进行了优化。实验结果表明:在选定了最佳参数后的KNN-SVM联合分类器较其它两类分类器在识别率和识别效率方面都是最佳的;采用了K-D树结构的KNN-SVM联合分类器中KNN部分识别效率要比常规的高约7.5倍。

基于改进KNN-SVM的车辆图像光照检测模型

为了准确检测出车辆交通图像的光照类型,从而有针对性地矫正不同光照以减少其对车牌定位的影响,提出了一种基于改进K近邻和支持向量相融合(KNN-SVM)的车辆图像光照检测方法。首先融合了HSV空间亮度特征、灰度直方图特征和投影直方图特征作为车辆图像的光照特征,然后改进传统KNN-SVM中距离计算方法,定义为每类待检测样本到属于该类支持向量的距离,并在采集的全天候不同光照车辆图像上进行检测验证。实验表明,改进KNNSVM将阈值获取时间提前,避免了传统KNN-SVM对超平面附近样本先SVM检测再KNN检测的重复检测,不仅降低了算法复杂度和运行时间,且检测准确率高于传统KNN-SVM和单独使用KNN或SVM时的值,最高达到了99.67%。

KNN-SVM网页分类器介绍

网页分类算法中,KNN算法的缺陷之一是分类效率较低,分类的效果很大程度上依赖于相似度函数和参数K的选择。同时,基于支持向量机(SVM)的网页分类器的限制在于要求处理的向量是数值型向量,而网页特征向量往往是词条特征向量。利用KNN算法生成训练样本,进而将词条特征向量数值化,再利用支持向量机分类器对测试网页进行分类,构建了一种新的分类器——KNN-SVM分类器。

基于KNN-SVM算法的室内定位系统设计

以室内的用户定位需求为应用背景,提高定位精度为目标,针对室内中复杂的环境,基于最近邻法(KNN)和支持向量机(SVM),提出了新的室内定位算法.先采用KNN去除训练样本中的奇异点,再采用支持向量机进行定位.与KNN法、朴素贝叶斯法、SVM回归法等室内定位算法比较,结果表明该定位算法有效提高了定位精度和定位速度.进一步提出了基于Android平台的室内定位系统的设计方案,采用Java语言编程实现了该系统,并进行了系统测试.实验数据表明:该室内定位系统的平均误差为1.7m,最大误差为4.9m,该系统在满足速度要求的前提下,有效提高了室内定位精度.

基于PSO-BP的岩性识别方法研究

近些年来,数据分析、深度学习技术取得了长足的发展,并为社会带来了可观的收益。故利用深度学习手段进行岩性识别也成为了一个研究热点。岩性识别是录井解释的核心业务,准确而有效地预测储层性质对石油勘探工作有着重大意义。为解决传统岩性识别方法成本高、耗时长等缺点。论文利用松辽盆地中若干井的测井数据进行模型研究,提出了一种基于PSO-BP的岩性识别方法。通过对测井源数据进行数据预处理、构建网络识别模型、优化岩性识别模型、评价模型输出结果等步骤,实现基于PSO-BP岩性识别方法。经过反复试验,结果表明采用PSO-BP的岩性识别方法对岩性进行识别的平均准确率可达92.2%,为储层预测工作提供了可靠的支撑。

基于脉冲电流和紫外脉冲的多源局部放电诊断方法

本研究提出了一种基于脉冲电流法和紫外脉冲法联合检测的多源局部放电诊断方法,针对4种基本缺陷模型,搭建了开关柜多源局部放电实验平台。对联合检测得到的局部放电信息特征进行提取并构建数据库,使用k近邻(KNN)算法和有向无环图支持向量机(DAG-SVMs)算法对局部放电类型进行识别。结果表明:脉冲电流法测得的放电图谱中放电次数和放电量的变化与模型中缺陷种类有关,气隙、沿面缺陷的引入使放电量增大和图谱对称性提高,电晕缺陷的引入使放电次数增多;紫外脉冲法测得的放电脉冲数与多源放电模型中缺陷个数和缺陷的紫外/可见光比值有关,缺陷个数和紫外/可见光比值越高,放电脉冲数越大;KNN算法识别准确率最高可达到99.67%。

基于关键点亲和场与支持向量机的人体姿态识别

针对传统动作姿态识别仍需物理数据采集设备或深度体感设备进行手工提取特征的问题,提出一种基于关键点亲和场与支持向量机的人体姿态识别方法。以关键点亲和场为核心进行关节点检测,获取各种姿态下的18个关节点坐标信息,使用标准化后的坐标数据对支持向量机模型加以训练,选择不同的高斯核函数进行对比。实现在没有人体深度信息和无穿戴设备的情况下,只使用普通RGB图片便可对人体姿态进行分类识别的效果。实验表明它在KTH数据集、Weizmann数据集中的识别效果良好;在自采集数据集中与带有传感器的方法相比,缩减操作步骤的同时准确率提高了7百分点。另外,还在保持关节点检测不变的情况下,使用随机森林、KNN算法进行姿态分类对比,实验结果证明该方法优于后两者。

基于SVM与局部加权的KNN算法的研究与实现

文章主要研究基于SVM与局部加权的KNN算法。在研究过程中,首先分析了KNN算法的基本概念和实现原理。在此基础上,引入SVM模型与局部加权方法对KNN算法进行改进,并将改进后的算法应用于乳腺癌识别的实例研究中。最后,在搭建的理论框架上进行了仿真实验。实验结果表明,与传统KNN算法相比,基于SVM与局部加权的KNN算法通过引入权重机制和SVM模型,在分类性能方面表现出更高的精准度,有效弥补了传统KNN算法在分类性能上的不足,显著提升了目标分类的精度。

基于机器学习算法的服装直播销量预测模型

为了完善直播销量预测的指标体系,提高直播销量预测的准确率,本文对比多种机器学习算法,分析服装直播销量的影响因素并预测服装直播销量。首先,通过文献分析选取直播销量的影响因素,并使用Spearman相关系数结合显著性进行筛选。其次,通过不同机器学习算法建立服装销量预测模型。选用R 2、MAE、RMSE及MAPE为评价指标,采用5折交叉验证的方法,测试各模型性能。研究结果表明:主播粉丝数、主播近30天场均观看人次、主播近30天场均坑产、产品价格、产品讲解时长、产品近30天历史销量、品牌粉丝数、品牌近30天历史销量、折扣这9个因素之间共线性较弱且与直播销量之间的相关性显著,可作为预测模型中的影响因素;预测算法中K近邻算法和随机森林算法的表现较好,R 2均大于0.98,MAPE均在30.5%以内。预测结果可帮助零售商规划库存,调整生产计划,为产品采购、定价、推广提供数据支持。

基于数据挖掘的高校学生考研成绩预测分析

随着硕士研究生考试初试难度越来越大,影响考研结果的因素众多,以安徽建筑大学建筑类设计专业高校学生为研究对象,以本科毕业生的在校成绩和考研初试成绩作为样本数据,通过Logistic回归分类算法、SVM支持向量机算法、KNN算法三种实验建模测试对比,寻找对应变化规律,提高考研初试成绩变量之间的关联性,从而得出预测结果,从平均预测误差看,Logistic回归分类算法的预测方法具有较高的适应力和稳定性,准确性更适合初试无高数科目的建筑类设计专业高校学生。得出要特别注重加强对专业课、课程设计的学习,同时对政治和英语注意学习态度的结论。为帮助其预测学业发展趋势、制定职业生涯规划上提供数据支撑。

面向视频序列表情分类的LSVM算法

为了提高基于视频序列的表情识别精度,在KNN-SVM算法的基础上提出局部SVM分类机制,并将其用于视频序列中的表情分类.对于一个待分类的几何特征样本,首先在训练集中寻找该样本的k个近邻样本,然后根据这k个近邻样本和待分类样本的相似度信息,重新构建局部最优的SVM分类决策超平面,用来对该几何特征样本进行分类.在Cohn-Kanade数据库中的对比实验表明,该分类器有效地提高了表情分类的精度.

基于形状特征的植物叶片在线识别方法

针对传统植物识别方法工作任务量大,效率低下以及难以保证数据客观性的问题,提出了一种基于形状特征的植物叶片识别算法,并开发了一款C/S模式的植物叶片在线识别Android应用。叶片图像经预处理后,提取叶片的轮廓凸包顶点比、轮廓曲率方差等形状特征,采用KNN-SVM对叶片进行分类识别。实验结果表明,相比于一些已有识别算法,该算法可以达到更高的识别率;该Android应用稳定可靠,可以满足用户的需求。

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec^((?))3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。

KNN和SVM算法在中文文本自动分类技术上的比较研究

中文文本分类技术在中文信息智能处理方面具有十分重要的作用,比如:中文信息检索和搜索引擎等,KNN、贝叶斯、SVM等算法都可以应用到中文文本分类技术上,本研究分析和比较了KNN和SVM两种分类算法,并通过实验比较这两种算法对中文文本分类技术的效果。结果表明:SVM算法较优,是一种较好的中文文本分类算法。

一种基于分块小波的人脸识别算法

提出一种基于分块小波的人脸识别新算法。在充分考虑提取局部特征,又克服小样本问题的基础上,提出分块小波的概念。首先,对小波分解后的低频子图进行分块,提取局部特征,从而降低图像维数并除去冗余噪声;将其先后进行PCA和LDA变换,得到组合特征向量;最后,根据KNN的快速分类能力及SVM在少数类别分类上的优势,提出KNN+SVM融合分类器对组合特征向量进行分类识别。研究结果表明:该方法识别率高,识别速度快,具有一定的实用价值。

基于KNN的合成孔径雷达目标识别

针对合成孔径雷达(SAR)目标的识别问题,提出了一种基于K近邻方法(KNN)的SAR图像目标识别方法。首先,有别于传统的图像特征提取方法,采用逆向思维,通过剪裁和去噪方法对图像的冗余信息进行"剔除",从而尽可能保留图像的原有信息,并将其作为待分类特征。然后分别用KNN和支持向量机(SVM)在MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集上进行了仿真对比实验。实验结果表明,此方法下KNN的分类效果明显优于SVM,其精度均达到94%以上,证明了所提方法的有效性。

基于K近邻和支持向量机的醉酒驾驶识别方法的对比分析

醉酒驾驶严重威胁道路交通安全,对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验,提取醉酒驾驶和正常驾驶的驾驶行为参数.首先,通过方差分析和均值分析选取方向盘转角作为识别特征,并采用滑动数据窗求取方向盘转角均值序列,构建识别特征参数;然后,分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别,得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗;最后,对两种分类方法进行了对比分析.结果表明,SVM对醉酒驾驶的识别性能优于KNN;数据窗对KNN的识别准确率影响显著,对SVM的识别准确率影响不明显.