基于KNN-LSTM神经网络模型的炉温预测

以产线传感器回传数据为基础,根据时间序列对历史数据趋势高度依赖的特点,考虑时间节点之间的相关性,通过Gaussian_KNN(高斯加权的K最邻近法)对回转窑分解炉温度上下游参数的历史数据进行赋权,再传入含有LSTM(长短期记忆神经网络)的Sequential模型中,学习历史数据中各节点储存的信息以及节点之间的相关性,结果显示相对准确地预测了回转窑的温度,为水泥回转窑控制系统精准控制提供了依据。

中医舌象颜色识别的研究

基于由粗到精的思路,将舌质和舌苔的颜色识别问题分解为苔质分离和颜色细分两步。在第一步中,提出一种基于JSEG算法和k-NN法的自动分离苔质的方法,并根据中医望诊先验知识设计先验模板和标准色块来辅助分类。颜色细分是在第一步的基础上采用最近邻法进行的。实验表明,本文提出的方法简单且鲁棒性强,能够有效地用于舌诊客观化。此外,在舌图像的色彩校正和舌体分割两个方面,对前人的研究进行了改进,取得了较好的效果。

一种基于Wi-Fi信号指纹的楼宇内定位算法

由于GPS无法在楼宇内使用,而目前的楼宇内定位技术一般都需要预先部署额外的设施,因此楼宇内无基础设施定位成为了一个热点研究问题.提出了一种利用Wi-Fi接入点的MAC地址和RSSI(received signal strength indication)值,通过机器分类的方式实现楼宇内房间级定位的算法R-kNN(relativity k-nearest neighbor).R-kNN是一种属性加权k近邻算法,它通过将AP之间的相关性反应在权值的分配上,有效地降低了维度冗余对分类准确率的负面影响.R-kNN没有对房间和AP的物理位置做出任何假设,只需要使用环境中现存的AP就可以取得较好的定位效果,无需部署任何额外设施或修改现有设施.实验结果表明,在AP数量较多的楼宇环境中,R-kNN能够取得比k近邻算法和朴素贝叶斯分类器更好的定位效果.

基于向量投影的KNN文本分类算法

针对KNN算法分类时间过长的缺点,分析了提高分类效率的方法。在KNN算法基础上,结合向量投影理论以及iDistance索引结构,提出了一种改进的KNN算法——PKNN。该算法通过比较待分类样本和训练样本的一维投影距离,获得最有可能的临近样本点,减小了参与计算的训练样本数,因此可以减少每次分类的计算量。实验结果表明,PKNN算法可以明显提高KNN算法的效率,PKNN算法的原理决定其适合大容量高维文本分类。

计算机辅助乳腺癌诊断中的非平衡学习技术

针对计算机辅助诊断(CAD)中学习算法处理非平衡数据时,分类器预测具有大类样本的分类误差小,而稀有类样本的分类误差大的倾向性分类问题,提出基于反向k近邻的欠采样新方法.通过去除大类样本集中的噪声及冗余样本、保留具有类别代表性且可靠的样本作为有效样本以此平衡训练样本集,解决了欠采样引起的类别信息的丢失问题.基于UCI Breast-cancer数据集的仿真实验结果表明,该方法解决了非平衡学习问题的有效性,进一步的横向评测对比显示该算法性能显著优于其他同类算法.

基于多特征融合的低空风切变类型识别

针对微下击暴流、低空急流、顺逆风和侧风4种不同低空风切变的激光雷达扫描图像,提出一种基于形状特征和纹理特征相结合的识别方法。采用Zernike矩和旋转不变统一模式的局部二值模式(LBP),分别提取反映风场全局变化的形状特征和反映风场局部变化的纹理特征;将两种特征串联融合后,通过主成份分析(PCA)对其进行降维,提取有效特征;利用k近邻分类器对4种低空风切变图像进行分类。实验结果表明,与其它多种算法相比,该算法平均识别率最高,识别效果更加稳定。

K近邻快速匹配的WiFi指纹定位方法

为解决室内Wi Fi指纹定位速度慢及定位波动大的问题,采用高斯拟合和多次测量取平均值的方法对接收的信号进行平滑处理;以距离为相似性测度,规定一个阈值对建立指纹数据库进行分类;改进K近邻算法,并在分类的基础上实现K近邻快速匹配。实验结果表明:经过分类处理过的定位系统耗时有很大程度的改善,平均降幅62.8%;Wi Fi指纹定位精度的平均误差从4.17 m降到了2.12 m。

文本分类方法比较研究

随着Internet的不断发展,电子文本信息急剧增加,如何有效地组织和管理这些海量信息,并且能够快速准确地获得用户所需要的信息是当今信息科学技术领域的一大挑战,对电子文本进行有效管理的方法之一就是文本分类。文本分类是一项重要的智能信息处理技术,在信息过滤、信息检索、文本数据库和数字图书馆等方面极具应用价值。本文仅介绍贝叶斯、KNN和支持向量机等三种常用的分类方法,并进行了对比实验,,对这三种分类方法进行分析和比较。

基于形态-变长夹角链码的测井曲线识别

在同位素示踪注水剖面测井中,磁性定位测井曲线的形态能直观反映井下工具的类型,针对曲线整体形态相似而局部曲率、幅度、波峰个数不同的识别问题,提出了一种以曲线形态语义与变长夹角链码结合的曲线编码和描述方法。用折线重构测井曲线,以曲线的形态类型,折线的长度和相邻折线的夹角作为特征描述,采用基因遗传算法求得最优权值,对折线长度和夹角特征分别进行加权,最后用特征加权K近邻算法实现对井下管柱工具的分类。实验表明该方法能有效的用于井下工具的识别。

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法。首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播。分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比。仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好。

基于局部密度的快速离群点检测算法

已有的密度离群点检测算法LOF不能适应数据分布异常情况离群点检测,INFLO算法虽引入反向k近邻点集有效地解决了数据分布异常情况的离群点检测问题,但存在需要对所有数据点不加区分地分析其k近邻和反向k近邻点集导致的效率降低问题。针对该问题,提出局部密度离群点检测算法——LDBO,引入强k近邻点和弱k近邻点概念,通过分析邻近数据点的离群相关性,对数据点区别对待;并提出数据点离群性预判断策略,尽可能避免不必要的反向k近邻分析,有效提高数据分布异常情况离群点检测算法的效率。理论分析和实验结果表明,LDBO算法效率优于INFLO,算法是有效可行的。

基于多级纹理频谱特征与PCA的人脸识别算法

针对主成分分析(PCA)算法在人脸识别中识别率低的问题,提出一种图像纹理频谱特征与PCA相结合的人脸识别算法。该算法利用纹理单元算子提取人脸图像纹理频谱特征,然后用PCA对所提取的特征降维,最后利用最近邻(KNN)分类器进行人脸识别。在ORL人脸库和Yale人脸库上对所提出的算法进行了测试,识别率均高于PCA、模块化二维PCA(M2DPCA)等方法,分别为96.5%和95%。实验结果表明了该算法的有效性和准确性。

深度学习在身份证号码识别中的应用

为了克服传统身份证文字识别算法提取特征难的问题,提出一种基于深度学习的身份证号码识别方法。先通过OSTU实现文字区域的提取,再通过投影统计法切割单个文字的图片,分别从神经元数量、网络层深浅的变化分析网络模型的识别效果。从动态学习率、抑制过拟合和损失函数设计等方面对网络模型进行优化,提升了模型识别正确率。实验结果表明,结合优化策略的卷积神经网络的识别正确率能达到99.96%。

基于动态效用的时空众包在线任务分配

为提升众包任务在线分配的总体效用,该文提出一种适用于时空众包环境的在线任务分配方法。该方法针对时空众包环境下的在线任务分配问题,首先提出一种以众包任务为中心的K最近邻算法来进行候选众包工人的选择,进而设计一种基于动态效用的阈值选择算法,实现众包工人与任务的最优分配。实验结果显示,文中所提出算法具有较好的有效性和可行性,并能在一定程度上保证众包工人的可靠性,优化平台总效益。

一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法。离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-Nearest Neighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计。将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4%和75.9%,并将本文方法与两种现有的经典定位方法 DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度。

基于分块后重叠K-means聚类的KNN分类算法

因为KNN最近邻算法的复杂度至少为线性,所以KNN算法在大数据环境下的计算量,以及所需要的硬件开销都面临挑战。提出一种新的KNN算法即在KNN分类前引入分块和聚类算法。具体描述为:对样本先随机进行分块,再在块上聚类,形成数目比较多的簇,但如果簇的数目过多虽然能提升计算速度,但是在分类时会影响分类的精确度,所以在很多簇的基础上再进行聚类,这样不仅速度大大提高,精确度也能提高,从而达到分类精确度的提高。最后在测试过程中找出与待测样本距离最短的块作为新的训练样本作为进行分类算法。