GRkNN:空间数据库中组反k最近邻查询

反k最近邻(Reversek-Nearest-Neighbor,RkNN)查询是在k最近邻(k-Nearest-Neighbor,kNN)查询问题的基础上产生的,获得将查询对象作为kNN的数据对象集合,RkNN可以用于评价查询对象的影响力.根据实际应用中需要查询一组对象的RkNN,如评价连锁店或商业区的影响.文中提出了针对空间数据库的组反k最近邻(Group RkNN,GRkNN)的概念,并设计了相关算法.查询点集合是一组邻近的空间对象,计算查询对象的最小覆盖圆,将最小覆盖圆中的对象作为一个整体进行过滤,设计了基于R树的剪枝方法,通过提炼获取了最终的GRkNN结果.针对真实数据集进行的大量实验表明,提出的GRkNN算法的效率明显优于目前最好的RkNN算法.

铁路客运专线模糊k近邻客流预测模型

客运专线客运量在短时期内体现准周期的规律性变化,且受多种因素的影响呈现出一种复杂的非线性特点。传统的预测方法不能完全反映客流量准周期性和非线性的特点,预测结果误差相对较大。为更准确地预测铁路客运专线客运量,通过分析客运专线的客流特征,总结相邻时段客流变化规律,在确定相邻时段之间客流变化率的基础上,将客流变化情况划分为8个不同的等级,依据客流变化情况划分的不同等级对客流变化率模糊化,并利用客流变化率模糊值的时序关系,建立客运专线模糊k近邻客流预测模型。通过实例分析,与其他预测方法进行比较,证明该模糊k近邻客流预测结果误差更小,精度更高,为预测铁路客运专线客运量提出一种新思路。

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机(SVM)与反K近邻分类算法(RKNN)相结合,提出了基于支持向量机与反K近邻的分类算法(SVM-RKNN);最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明:SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。

一种快速搜索海量数据集K-近邻空间球算法

提出了一种快速搜索海量数据集K-近邻的空间球搜索算法。将数据点集进行空间栅格划分,假想存在空间球,并以当前测点为球心,半径分别取测点到所在立方体栅格6面的距离。首先取半径最小的空间球,在与之发生干涉的栅格中进行K-近邻搜索,若满足所建立的搜索终止原则,则终止搜索;否则,取更大半径的空间球,重复上述过程。实验结果表明,所提出的算法可对海量数据集进行快速K-近邻搜索,较已有算法明显提高搜索速度。

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。

基于LDA+kernel-KNNFLC的语音情感识别方法

结合K近邻、核学习方法、特征线重心法和LDA算法,提出了用于情感识别的LDA+kernel-KNNFLC方法.首先针对先验样本特征造成的计算量庞大问题,采用重心准则学习样本距离,改进了核学习的K近邻方法;然后加入LDA对情感特征向量进行优化,在避免维度冗余的情况下,更好地保证了情感信息识别的稳定性.最后,通过对特征空间再学习,结合LDA的kernel-KNNFLC方法优化了情感特征向量的类间区分度,适合于语音情感识别.对包含120维全局统计特征的语音情感数据库进行仿真实验,对降维方案、情感分类器和维度参数进行了多组对比分析.结果表明,LDA+kernel-KNNFLC方法在同等条件下性能提升效果最显著.

障碍空间中基于Voronoi图的组反k最近邻查询研究

为了解决已有研究成果无法有效处理障碍空间中的组反k最近邻查询问题,提出了障碍物环境中基于Voronoi图的OGRkNN查询方法,该方法获得的结果集是将一组查询点中任意一点作为障碍kNN的数据点集合,在实际应用中可以用来评估一组查询对象的影响力.依据障碍物集合是否发生变化提出了2种情况下的OGRkNN查询方法,一种是静态障碍物环境下的OGRkNN查询(简称STA_OGRkNN查询)方法,另一种是动态障碍物环境下的OGRkNN查询(简称DYN_OGRkNN查询)方法.其中STA_OGRkNN查询方法利用Voronoi图的邻接特性可以在剪枝阶段有效地过滤掉大量的非候选者,快速地缩小查询范围,提高整个算法的查询效率,在精炼阶段有效地提高了算法的准确性.进一步给出了3种情况下的DYN_OGRkNN查询方法,分别为障碍物动态增加情况下的OGRkNN查询算法、障碍物动态减少情况下的OGRkNN查询算法以及障碍物动态移动情况下的OGRkNN查询算法.理论研究和实验结果表明所提算法具有较高效率.

基于改进BRISK的图像拼接算法

为了获得精准的航空拼接图像,更好地解决图像拼接中经常出现的尺度变化、角度旋转、光照差异以及传统的BRISK(Binary Robust Invariant Scalable Keypoints)算法匹配正确率较低,图像拼接精度低等问题,该文提出一种全新的基于有向线段的BRISK特征的图像拼接模型。首先,使用BRISK算法进行图像匹配,得到粗匹配点对,再构造有向线段及其BRISK特征进行邻近线段匹配,通过概率统计模型进行特征点的精匹配,最后进行加权融合和亮度均衡化进行图像融合完成图像拼接。实验结果表明,该文算法针对图像的光照条件不同、角度旋转、分辨率低、尺度变化等均有良好的鲁棒性和稳定性,该文算法是一种耗时短、精确度高、拼接效果良好的图像拼接方法。

基于K-最近邻规则的磁共振颅脑图像分割算法的应用研究

目的 介绍一种简单实用的磁共振颅脑图像分割算法K 最近邻 (简称K NN)规则 ,并利用该算法对磁共振颅脑图像进行分割研究。方法 该方法是一个多步处理过程。首先利用边界跟踪法对磁共振颅脑图像进行预处理 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用K NN规则对大脑结构进行分割 ,从大脑结构中分别提取出白质 (WM)、灰质 (GM)和脑脊液 (CSF)。结果 分割算法在预处理步中能精确地分割出大脑结构 ,在K NN分割步中能很好地从大脑结构中分割出WM、GM和CSF。结论 该算法在磁共振颅脑图像的分割中简单实用 ,具有很强的鲁棒性和稳定性。

基于有界k-d树的最近点搜索算法

提出了一种基于有界k-d树的最近点搜索算法.算法的原理是:由根节点中的包围盒确定树中数据的空间范围,并在搜索过程中不断划分包围盒来缩小搜索范围,同时递归地计算查询点到包围盒的距离.结合优先级队列,基于有界k-d树的最近点搜索算法拓展到搜索按距离远近排列的多个最近点.实测和仿真分析表明,本搜索算法的计算效率高于传统的搜索算法.

逆向工程中散乱点云的K邻域搜索算法研究

针对逆向工程中散乱点云的K邻域搜索,提出了一种快速、精确的散乱点云K邻域搜索算法。该算法根据点云包围盒的大小,点的总数以及邻域点的个数,采用二次空间划分的策略,以确定合适的立方体小栅格的梭长,从而保证立方体小栅格里点的个数相对均匀。然后,建立以采样点为中心的球体、该点到所对应的立方体小栅格环六壁的距离为半径的取值范围,依次增加该球体的半径,以球体内有K个点为中止条件,可以快速完成采样点的K邻域搜索。与已有算法相比,该算法具有较高的搜索效率。

基于RKNN的选址算法及其应用研究

为了使各个设施的整体利用效果最佳,结合空间位置影响力查询技术,提出了基于RKNN的选址算法。针对空间对象对空间位置的贡献具有多重性,建立了一种新的空间位置影响力的度量模型,该模型更加符合实际应用情况;然后,利用该模型计算选址方案中各个设施的影响力,并引入均衡系数评价选址方案的合理性,均衡系数越小,方案越合理。实际应用表明基于RKNN的选址算法使村镇基础设施的选址更加合理、有效。

基于反k近邻的流数据离群点挖掘算法

基于局部离群因子的增量挖掘算法需要多次扫描数据集。反k近邻适用于度量离群程度,根据该性质提出基于反k近邻的流数据离群点挖掘算法(SOMRNN)。采用滑动窗口模型更新当前窗口,仅须进行一次扫描,提高了算法效率。通过查询过程实现在任意指定时刻对当前窗口进行整体查询,及时捕捉数据流概念漂移现象。实验结果证明,SOMRNN具有适用性和有效性。

空间数据库中基于Voronoi图的组反k最近邻查询

为了改进现有的组反k最近邻查询算法的查询速度与准确度,提出了一种基于Voronoi图的组反k最近邻查询方法(group reverse k nearest neighbor guery method based on Voronoi diagram,V_GRk NN)。该方法获得的结果集是将这组查询点中任意一点作为kN N的数据点集合,在实际应用中可以用来评估一组查询对象的影响力。该方法的特点是首先对查询点集Q进行优化处理,降低查询点数量对查询效率的负面影响;接着对数据点集P进行约减,缩小查询搜索范围;然后根据基于Voronoi图的剪枝策略对候选集进行过滤;最后经过精炼获得GRk NN查询的结果集。该方法在数据集处理阶段很大程度上提高了查询速度,在过滤、精炼阶段利用Voronoi图的特性提高了查询的准确性。理论研究和实验表明,所提方法的效率明显优于可选的已有方法。

基于反向K近邻的孤立点检测算法

提出了基于反向K近邻(RKNN)的孤立点检测算法ODRKNN。ODRKNN算法用每个数据点的反向K近邻个数来衡量该数据点的偏离程度,在综合数据集和真实数据集上的实验结果表明,该算法能有效地检测出孤立点,且算法的效率高于算法LOF和LSC的效率。

空间数据库中的线段k近邻查询研究

K近邻查询是空间数据库中的重要查询之一,k近邻查询在内容的相似性检索、模式识别、地理信息系统中有重要应用。针对现有k近邻查询都是基于点查询的情况,提出基于平面线段的k近邻查询,查找线段集中给定查询点的k个最近线段。给出基于Voronoi图的线段k近邻查询算法及给出相关定理和证明。该算法通过线段Voronoi图的邻接特性找到一个候选集,然后从中找到最终结果。通过随机数据的实验证明,所提算法明显优于线性扫描算法和基于R树的k近邻查询算法。

基于k近邻法和脊线追踪的指纹匹配算法

首先,综合运用k近邻法和脊线追踪法,分别为叉点和端点设计了新的拓扑结构,提取脊线特征、邻域特征、细节点特征。其次,利用特征加权和坐标转换,以及半可变限界盒技术提出快速的二次匹配过程。试验结果表明:该算法运行速度快、拒识率和误识率低。

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。

路网中双色反向k近邻查询处理

目前,路网中反向最近邻查询引起了广泛关注,有很多算法被提出.在实际路网中,由于移动数据对象的种类多种多样,单色反向最近邻查询有时并不能完全满足要求.因此,研究路网双色反向最近邻查询具有重要的实际意义.考虑到这种情况,提出一种路网中双色反向最近邻查询算法.通过PMR四叉树索引路网,采用Dijkstra算法遍历路网.为了保证连续监控,为查询点和对象分别设置安全区.为了验证候选对象,为其设置验证监控区.由于双色查询中,对象的种类不同,因此分别采用两个集合来保存这两类对象.通过实验对比,证明该算法具有较好的有效性和稳定性.