基于改进KNN算法的新能源发电单元运行状态识别

目前识别发电单元运行状态的研究较少,数据来源以数据采集与监控系统为主,采集速度较慢。为此,提出了一种基于发电单元机端电气量数据并融合改进k近邻(KNN)算法的新能源发电单元状态识别方法,直接采集机端电气量数据用于快速判断发电单元状态。提出KNN算法的改进策略,克服了传统KNN算法准确度低、识别速度慢的缺点。利用电力系统分析综合程序获取用于状态识别的发电单元机端电气量数据,利用改进策略对数据进行预处理,并对比传统KNN算法、逐条使用改进策略的KNN算法对新能源发电单元状态识别的耗时与准确度。结果表明所提算法较传统算法的识别准确度和速度明显提升,能满足稳定控制过程中对新能源发电单元的状态感知需求。

基于小波包分析和优化KNN的电动开度阀故障检测方法

针对以微控制器MCU为控制核心的电动开度阀控制系统难以集成高效且计算量小的故障检测子系统的问题,基于小波包变换和优化K近邻(K-Nearest Neighbor,KNN)算法提出了一种电动开度阀故障检测方法。对阀门振动信号进行小波包变换,计算小波包节点的能量值与其重构信号的时域特征参数。根据Pearson系数筛选出两种与能量强相关的故障特征参数:峰峰值与均方根,并将两者作为KNN算法的样本评价指标;通过对评价指标进行加权优化了KNN算法的距离计算公式,分别在MATLAB和实验样机中进行故障检测测试,对应最高分类准确率分别为92.5%与86.7%。结果表明:实验测试与仿真分析具有较好的一致性,该故障检测方法的优势在于计算量小、故障识别率较高,并能有效地应用于以MCU为核心的电动开度阀控制系统。

基于特征加权的KNN模型岩性识别方法

岩性识别是一项重要的地质工作,为固体矿产勘探与油气勘探奠定了坚实的地质基础。岩石物性是连接岩性和地球物理场的桥梁,可以通过物性之间的差异进行岩性识别,但不同岩石的物性数据往往存在一定重合,仅靠交会图无法准确地识别岩性。KNN(K近邻)模型是一种简单、直接的机器学习方法,准确度和灵敏度都很高,适用于多分类问题。基于此,本文将基于特征加权的KNN模型引入岩性识别中,该方法将传统KNN模型与属性特征的信息增益相结合,对不同特征赋予不同权重,可以直观地反映属性特征对分类的重要程度。实验证明,相比于传统KNN方法,基于特征加权的KNN模型对岩性交界处的识别能力有大幅提升,整体提高了岩性识别的准确性和稳定性。

基于EMD和KNN的发动机辐射噪声预测研究

针对基于发动机表面结构单通道振动的辐射噪声预测问题,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和KNN(K-Nearest neighbor)的预测算法,通过EMD将单一振动时域信号分解为多个本征模态函数(Intrinic Mode Function,IMF)信号,并将每个IMF信号作为振动数据集的特征,最后以新的振动数据集为输入建立辐射噪声预测模型。试验结果表明,基于该算法建立的预测模型可解释方差分数为0.97,有着较小的预测误差。

面向电力物联网流数据的一种具有隐私保护的KNN查询方法

电力物联网是一个智慧服务系统,为人们提供了状态全面感知、信息高效处理、应用便捷灵活的服务,然而在享受服务的同时却面临着隐私泄露的风险。目前有关电力数据的隐私保护的成果主要集中在安全聚合,对于诸多基础服务的核心技术(如KNN查询)却鲜有涉及。与传统关系型数据不同的是,电力物联网采集的是用户用电的流数据,并且电力参数的各数据之间还具有动态相关性,攻击者可以通过数据挖掘等手段推测未来数据的变化趋势。为此,提出了一种具有隐私保护的KNN查询方法。首先,提出了基于桶距离的相似性度量模型,并证明了桶距离的相似性度量模型与基于欧氏距离的相似性度量模型的误差上界和下界;同时通过该模型,能将相似性度量转换为集合的交操作;构造了一种隐私保护函数,通过代入不同参数,可为各智能终端生成不同的数据隐私保护函数和查询隐私保护函数;在此基础上,提出了基于桶划分和随机数分配的数据编码方案,编码数据经过隐私保护函数加密后,具有密文不可区分的特点,能有效抵抗选择明文攻击、数据挖掘攻击、统计分析攻击、ICA攻击以及推理预测等攻击手段。分析和仿真表明,提出的安全KNN查询方法不仅具有较高的安全性,而且开销较低。

基于改进穿线法和KNN的数码管字符识别研究

针对传统穿线法过度依赖数码管字符分割效果、无法对小数点字符进行识别以及机器学习算法识别数码管用时过长的问题,提出了基于改进穿线法与KNN算法相融合的数码管字符识别方法,达到了对不同数码管字符及小数点识别的目的,减少了对字符预处理效果的依赖。在嵌入OpenCV图像处理程序的LabVIEW人机交互平台采集到实时图像后,输出识别结果。经多次实验,该方法的识别时间相比单独使用KNN的识别时间明显缩短,识别率可以达到95%以上,具有识别速度快、精度高的优势。

基于kNN算法的智能电网5G海量接入数据异常检测

为了更好适应智能电网高维数据异常识别,提出了一种加权kNN数据异常值检测识别方法,该方法使用Z阶曲线来识别kNN。利用Z阶曲线,提出了一种加权kNN异常数据检测方法。用信息熵衡量所有属性的重要性,用Z阶曲线对高维数据进行编码并映射为Z值。实验结果表明,智能电网集群计算节点的数量越多,算法的运行速度就越短。发电数据异常检测准确率达到最高99.2%,较随机森林算法提高8.165%。且kNN算法的运行时间均优于随机森林算法运行时间,最小算法运行时间为4 s,进一步表明kNN算法可有效检测智能电网5G海量接入数据。

基于动态调参KNN分类算法的股票涨跌预测模型分析

预测股票涨跌是机器学习分类算法的重要应用场景之一,根据以往实践中的经验,不同种类的股票由于数据特征不同,所以需要用携带不同参数的KNN分类模型来预测。用基于交叉熵的损失函数据训练KNN模型,以此确定KNN模型关键参数的做法,在此基础上给出能根据不同股票数据动态调整KNN算法关键参数的预测股票涨跌的模型。实践表明,这个模型在预测数据特征不同的股票涨跌情况时,均能表现出较高的准确性。

基于KNN算法在糖尿病预测中的应用

人工智能技术在海量医疗数据中,通过技术手段实现疾病预测,为辅助治疗提供重要依据。文章分析了机器分类算法KNN算法的流程,以及在糖尿病数据中的具体实例。通过划分糖尿病数据集,计算KNN算法中的K值,确定选取最佳k值,达到最优准确率。通过实验验证KNN算法在糖尿病数据集上,该模型进行糖尿病预测有效。

LDA和KNN算法在随钻测井火成岩分类的应用

渤中34-9油田在开发过程中广泛钻遇古近系火成岩,由于火成岩岩性多样、成分复杂导致常规测井解释图版识别岩性精度较差,而在随钻过程中准确识别火成岩岩性是工程上规避憋、卡、漏等风险的重要前提。通过将机器学习算法线性判别分析(LDA)与KNN算法运用于油田开发过程中的随钻测井数据处理与分析,实现了随钻过程中准确、高效识别火成岩岩性的目的。进一步将线性判别分析的降维结果代替原始测井曲线作为K最近邻分类器的输入,实现两种算法的有机融合,并对油田5口开发井建立的测井数据集进行机器学习,火成岩岩性分类准确率高于90%,证明了该方法的适用性。通过引入机器学习方法为常规录、测井数据的处理与解释提供了新方法,多方法的结合也为油田勘探作业过程中的分类提供借鉴。

基于分布式KNN算法的输变电线路故障预测效率分析

为提高输变电线路故障预测效率,本文提出K近邻(KNN)算法,考虑到常规KNN算法在输变电线路故障预测中的应用效果有限,引入模糊理论,采用分布式模糊KNN算法,构建输变电故障预测模型,确定数据采集、数据训练的具体方式,以及数据处理的基本流程,通过模型预测输变电线路故障,进行预测实验,评价分布式模糊KNN算法的应用效果。实践表明,无论在预测准确性还是预测效率等方面,分布式模糊KNN算法均取得良好的应用效果,可行性高,可以将其推广至输变电线路故障预测中。

基于密文KNN检索的室内定位隐私保护算法

在定位请求服务中,如何保护用户的位置隐私和位置服务提供商(Localization service provider,LSP)的数据隐私是关系到WiFi指纹定位应用的一个具有挑战性的问题。基于密文域的K-近邻(K-nearest neighbors,KNN)检索,本文提出了一种适用于三方的定位隐私保护算法,能有效提升对LSP指纹信息隐私的保护强度并降低计算开销。服务器和用户分别完成对指纹信息和定位请求的加密,而第三方则基于加密指纹库和加密定位请求,在隐私状态下完成对用户的位置估计。所提算法把各参考点的位置信息随机嵌入指纹,可避免恶意用户获取各参考点的具体位置;进一步利用布隆滤波器在隐藏接入点信息的情况下,第三方可完成参考点的在线匹配,实现对用户隐私状态下的粗定位,可与定位算法结合降低计算开销。在公共数据集和实验室数据集中,对两种算法的安全、开销和定位性能进行了全面的评估。与同类加密算法比较,在不降低定位精度的情况下,进一步增强了对数据隐私的保护。

基于KNN算法的铣刀状态监测技术研究

针对铣削刀具状态监控困难的问题,这里运用声发射传感器、振动传感器及电流传感器构建了一个铣刀状态监测系统。在刀具磨损状态监测实验中,通过三种传感器获取加工过程信号,进行时域分析,最终确定提取出主轴振动信号的有效值、工作台声发射信号方差、工作台声发射信号峰值、主轴电机电流标准差、主轴电机电流标准差峰值5个特征值,利用KNN算法进行刀具磨损状态识别。经过参数优化及对比,最终结果证明选择切比雪夫距离及k=6时状态识别效果最好,准确率为96.83%。

基于改进KNN模型的城市道路事故持续时间预测

文中提出一种改进的KNN(K-Nearest neighbor)预测模型.通过对训练集的多元回归建模分析得到对事故持续时间占主要影响地位的多个因素及其beta值,并代入到传统KNN模型中,改善模型所用欧氏距离,设计出一种改进的KNN预测模型.结果表明:这种改进的KNN预测模型能够较为准确的预测城市道路环境下的事故持续时间,在K值取不同大小时,测试集预测结果的平均相对误差为15.79%~16.24%,在K值均取最优值9时,模型的平均绝对误差相对于传统KNN模型降低了42.15 s,平均相对误差降低了10.3%.

融入KNN算法的二维数组教学案例设计

为了让计算机专业学生在专业基础课中尽早接触人工智能中的一些概念和算法,激发学生的学习兴趣,设计了一个融入K-近邻算法(K-Nearest Neighbor,KNN)的二维数组教学案例,并对案例教学实施过程、实践任务分解、案例运用效果等方面进行了阐述。实践结果表明,使用该案例进行教学有利于提高课程教学质量。

多核CPU环境下的并行KNN算法设计

针对KNN算法计算比较耗时的问题,提出将计算任务分解为多个子任务,每个子任务分配给一个线程完成,通过多个线程的并行执行完成工作。将训练集读入一个二维数组,二维数组的每一行只分配给一个线程使用;每个新数据被同时广播给多个线程,每个线程计算该新数据在自己训练集中的最近邻,并将最近邻反馈给主程序;主程序收集每个线程返回的最近邻,以最近邻中的最佳近邻的类别作为新数据的类别。实验证明该并行设计方案充分利用计算资源,加快了计算速度。

从统计学习理论到应用领域与模型拓展:KNN综合探究

文章探讨统计理论学习中KNN(K-近邻算法)及其在深度学习领域的拓展形式,即ANN(人工神经网络)和CNN(卷积神经网络)算法,对这些算法的原理、应用领域及最新研究成果进行荟萃分析(Meta-Analysis,Meta)与系统性分析,给出基于英文数据库(Web of Science)的有关KNN研究的检索流程、文章摘要高频词、时间序列特征等相关统计分析;通过分析相关文献,强调相关算法在数据分类、图像识别和模式识别等领域的重要性与实用意义;最后提出对未来研究的展望,以期相关算法在各种应用中得到进一步的完善和优化。

基于三支决策的KNN渐进式文本分类方法

在传统的文本分类中,KNN算法以其简单、分类准确率高、非参数得到了广泛的应用。但是传统KNN算法在进行文本分类的过程中,需要计算待分类文本与每一个训练样本的相似度,当面对海量的文本时,分类的效果会明显降低。针对此问题,提出了一种基于三支决策的KNN渐进式文本分类方法用于提高其分类效率,结合三支决策在分类问题中的优势,将三支决策与KNN算法相结合,对标题、摘要、关键词等进行渐进式的分类处理,从而完成待分类文本的分类,提高文本分类的效率和性能。实验表明,该算法能够在确保KNN算法分类准确率的基础上,同时提高分类效率。

基于特征增强的KNN文本分类方法研究

现有KNN文本分类方法未考虑语义信息导致特征向量维度庞大、分类效率低、准确率不高。提出一种特征增强的KNN文本分类方法 FE-KNN,构建领域框架库和领域句模,降低同义词对特征的影响,利用语义关系信息强化文本特征。在Math数学应用题语料库上的实验结果显示,该方法的准确率为0.953 2,与传统KNN方法相比精准率、召回率和F1值都有所提升,验证了通过框架语义与语义搭配能够改善文本分类的效果。

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标,为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法,预处理实验所需的苹果图像;使用K-means聚类算法、OTSU最大类间方差法,将苹果灰度图转换为二值图;利用二值图与苹果原图的异或运算,提取苹果轮廓;采用苹果的二值图计算苹果的果实区域大小;使用颜色空间转换RGB-HSV中H通道划分果实红色区域;通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积;构建最小外接矩形计算苹果的果径及果形;利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法,在优于传统图像阈值分割效果的基础上,特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。