一种基于近邻搜索的快速k-近邻分类算法

针对传统快速k 近邻分类算法的缺陷 ,提出了一种基于近邻搜索的快速k 近邻分类算法———超球搜索法。该方法通过对特征空间的预组织 ,使分类在以待分样本为中心的超球内进行 ,有效地缩小了搜索范围。实验结果表明 ,在相同识别率和k值的情况下 ,超球搜索法的识别速度优于基本k 近邻法和传统快速k 近邻算法———及时终止法 。

一种基于κ-近邻互信息变化率的输入变量选择方法

针对多变量时间序列建模中的输入变量选择问题,提出一种基于κ-近邻互信息变化率的变量选择方法.根据多变量之间的相关关系,以输入输出之间的κ-近邻互信息变化率作为评价标准选择相关变量;同时根据输入变量子集之间互信息值的大小判断变量是否为冗余变量;通过设定合适的阈值系数,可以有效地实现输入变量选择.Friedman,Lorenz混沌时间序列以及Housing数据的变量选择仿真结果验证了所提出方法的有效性.

V-最优直方图及其在车牌分类中的应用研究

汽车牌照类型的判别是牌照识别系统(LPR)中的一个重要步骤。为有效进行车牌分类,本文提出一种基于V-最优直方图的KNN分类方法。首先根据车牌反色信息将多分类问题转化为二分类问题以简化并提高算法的效率;然后在HSV(色调-饱和度-明度)颜色空间中提取牌照图像的三阶颜色矩特征,利用KN N分类器实现对简化后所得二分类问题的判别;采用V-最优直方图方法降低KNN算法的计算复杂度,进一步提高分类算法的执行效率。在真实数据集上和其他方法进行对比实验,结果表明本算法具有较好的分类性能。

基于均匀颜色空间的木材分类研究

木材材色在各种颜色空间中的分布范围都比较窄,而利用CIE1976L*a*b*均匀颜色空间的等距性和色差高分辨力的特点可以很好地对其进行测量与辨别。在L*a*b*颜色空间中,提取了东北常见的5种树种的径切和弦切木材图像的颜色特征,然后采用模拟退火算法对这些特征进行了选择,并结合BP神经网络和-近邻两种分类方法进行了仿真试验,得到了满意的分类结果。

基于修正的伪氨基酸组成预测氧化还原酶辅酶类型

从序列出发快速确定氧化还原酶的辅酶依赖类型对于了解其结构和功能、催化机制及构建辅酶再生体系具有重要指导作用。对Chou提出的伪氨基酸组成方法进行了修正并用于提取氧化还原酶序列特征值,采用k-近邻算法预测其辅酶依赖类型。当λ=48,w=0.1时,10倍交叉验证结果表明:其ROC曲线下面积为0.9536,预测精度达92.0%,比最优条件下伪氨基酸组成预测精度提高了3.5%;与其他7种常见特征值提取方法相比,修正的伪氨基酸组成表现最好。结果表明从序列出发预测氧化还原酶辅酶依赖类型是可行的,且修正的伪氨基酸组成可望成为一种新的有效提取蛋白质序列特征值方法。

神经元锋电位检测中大幅值干扰的去除

神经元锋电位(spike)的有效检测在神经信号处理中具有十分重要的作用。为了去除检测后spike中混杂的噪声干扰,提出了一种基于相关距离的k—近邻方法,用于识别spike检测中误检的大幅值噪声信号,并利用仿真实验和实测数据对算法的有效性进行了验证。仿真结果显示,当spike的信噪比大干0 dB时,识别正确率可达90%以上。

支持向量机分类器的快速样本选择法

当样本集很大时,训练支持向量机需要很大的内存空间和很长的CPU占用时间.为了减轻支持向量机训练过程中的计算负担,提出一种快速的改进算法,该算法只选择靠近最优超平面的样本.实验结果表明:当训练集很大时,训练时间及预处理的时间都得到了削减,同时,分类精度并没有损失.