基于组合加权k近邻分类的无线传感网络节点复制攻击检测方法

无线传感网络节点体积小,隐蔽性强,节点复制攻击检测的难度较大,为此提出一种基于组合加权k近邻分类的无线传感网络节点复制攻击检测方法。通过信标节点的空间位置数据与相距跳数得出各节点之间的相似程度,结合高斯径向基核函数求解未知节点的横轴、纵轴的空间坐标,确定各网络节点的空间位置;根据网络节点的属性特征与投票机制建立节点复制攻击模型,凭借组合加权k近邻分类法划分节点类型,并将结果传送至簇头节点,由簇头节点做出最后的仲裁,识别出节点复制攻击行为。仿真结果表明,所提方法的节点复制攻击检测率最大值为99.5%,最小值为97.9%,对节点复制攻击检测的耗时为5.41 s,通信开销数据包数量最大值为209个,最小值为81个。

基于近邻点重加权的点云特征线提取算法

针对3维点云模型特征线提取存在断裂、不完整问题,提出一种基于近邻点重加权的点云特征线提取算法。算法分为提取特征点和特征点连接成线2个环节,在特征点提取环节,引入近邻重加权局部质心算子获取特征点集,通过欧式最小生成树构建特征线。实验结果表明:采用近邻重加权局部质心算法进行特征点提取,跟传统基于曲率的算法相比其结果更加准确和稳健,能有效提取点云模型的几何特征。

基于自适应时序窗口加权k近邻的故障检测方法

为了解决在工业生产过程中时序和多阶段的问题,提出了一种基于正交局部保持投影(OLPP)和自适应时序窗口加权k近邻(ATSWKNN)的故障检测方法。首先,采用OLPP方法,在保持样本近邻关系的基础上,将原始数据投影到低维特征空间;其次,在特征空间中选取某类时序窗口,并计算时序平方距离;然后,将窗口内样本到其空间上近邻集的平均累积平方距离的倒数作为权重;最后,构造统计量对过程进行监控。OLPP-ATSWKNN通过时序信息的提取和窗口内权重的引入降低了过程的自相关性和解决了多阶段的统计差异问题。此外,自适应的窗口切换策略解决了阶段切换时统计指标异常的问题。通过对数值模拟过程和青霉素发酵过程的监控实验,检验了OLPP-ATSWKNN的监控性能,监控结果显著优于经典方法。

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information,PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。

近邻类加权结构稀疏表示图像识别算法

针对如何将近邻、子空间学习与稀疏表示结合起来解决基于稀疏表示的图像识别问题,本文综合考虑子空间中样本的类内散度小,类间散度大,且同类中所有样本对重构某一给定样本的影响相似(即表示系数相似),因此按类而非样本处理的思想更符合基于类重构误差进行分类的算法要求,为此提出一种基于近邻类加权结构稀疏表示算法用于图像识别。该算法首先利用线性类重构误差选取k个最近邻类,并将其对应的系数作为权值对投影后的近邻类加权,其次在投影子空间上,用k个类的加权训练样本集对测试样本进行结构稀疏表示,最后根据最小类重构误差得出分类结果。在AR,Yale B,MNIST,PIE数据库上的实验结果表明该方法在训练样本数较少的情况下获得较高的识别率且具有一定的鲁棒性。

最大后验估计和加权近邻回归结合的说话人自适应方法

提出了一种最大后验 (m aximum a posteriori,MAP)估计和加权近邻回归 (weighted neighbors regression,WNR)相结合的说话人自适应方法。在 MAP自适应中 ,只有自适应数据对应的模型参数可以得到调整。针对这一缺点 ,提出一种基于变换的模型插值 /平滑方法 - WNR,利用模型近邻信息和 MAP自适应结果 ,建立距离加权的回归模型 ,对没有自适应数据的模型完成模型调整。实验证明 ,该方法可以有效地提高 MAP自适应的速度。在自适应数据为 10句时 ,音节误识率降低近 15 % ;而在自适应数据为 2 5 0句时 ,误识率降低 5 0 %以上。此外 ,证明了向量域平滑 (vectorfield sm oothing,VFS)是

基于加权稀疏近邻表示的人脸识别

稀疏表示的人脸识别目前受到广泛的关注。针对现有稀疏近邻表示算法没有考虑不同训练样本对测试样本的重构权重,同时为了提高基于稀疏近邻表示人脸识别的识别率,文中提出一种加权稀疏近邻表示的人脸识别算法。首先在每一类训练样本中寻找与测试样本最近的k个样本,构成这一类新的训练样本;然后在每一类中都进行同样的操作,从而构造一个新的训练字典,在求解l1范数最小化的稀疏系数时,为每一个新的训练样本对应的稀疏系数赋上一个权值;最后在新的字典下,根据重构误差最小化来完成识别任务。在Yale B数据库和ORL数据库上的大量实验结果表明,文中所提算法与KNN算法和稀疏近邻表示算法相比,取得了较高的识别率,证明了该方法的有效性。

一种基于线性邻域传播的加权K近邻算法

为提高高光谱遥感影像在训练样本不足时的分类精度,提出一种基于线性邻域传播的改进加权K近邻算法。采用线性邻域传播(LNP)算法获取无标签数据属于各类别的概率,将其作为类别信息,以增加训练样本数量,提高K近邻算法的分类效果,并降低错误分类带来的风险。实验结果表明,对于高光谱遥感影像,该算法具有较好的分类效果,优于传统的KNN算法、距离加权KNN算法以及LNP等半监督分类算法。

基于改进加权压缩近邻与最近边界规则SVM训练样本约减选择算法

大规模的训练集中通常含有许多相似样本和大量对分类器模型构造"无用"的冗余信息,利用全部样本进行训练不但会增加训练时间,还可能因为出现"过拟合"现象而导致泛化能力下降。针对这一问题,本文从最具代表性样本与最近边界样本两个角度综合考虑,提出一种基于改进加权压缩近邻与最近边界规则SVM训练样本约减选择算法。该算法考虑到有价值训练样本对SVM分类器性能的重要影响,引进减法聚类利用改进的加权压缩近邻方法选择最具代表性的样本进行训练,在此基础上利用最近边界规则在随机小样本池中选择边界样本提高分类精度。在UCI和KDDCup1999数据集上的实验结果表明,本文的算法能够有效地去除大训练集中的冗余信息,以较少的样本获得更好的分类性能。

加权壳近邻填充数学模型

提出加权壳近邻填充(WSNI)缺失数据数学模型,充分利用壳近邻填充选取近邻数据的特性,侧重于被重复选择的近邻点,有效提高了填充效果.实验结果表明,提出的加权壳近邻填充数学模型比k近邻填充和壳近邻填充的效果好.

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。

基于加权的K近邻线性混合显著性目标检测

显著性目标检测旨在于一个场景中自动检测能够引起人类注意的目标或区域,在自底向上的方法中,基于多核支持向量机(SVM)的集成学习取得了卓越的效果。然而,针对每一张要处理的图像,该方法都要重新训练,每一次训练都非常耗时。因此,该文提出一个基于加权的K近邻线性混合(WKNNLB)显著性目标检测方法:利用现有的方法来产生初始的弱显著图并获得训练样本,引入加权的K近邻(WKNN)模型来预测样本的显著性值,该模型不需要任何训练过程,仅需选择一个最优的K值和计算与测试样本最近的K个训练样本的欧式距离。为了减少选择K值带来的影响,多个加权的K近邻模型通过线性混合的方式融合来产生强的显著图。最后,将多尺度的弱显著图和强显著图融合来进一步提高检测效果。在常用的ASD和复杂的DUT-OMRON数据集上的实验结果表明了该算法在运行时间和性能上的有效性和优越性。当采用较好的弱显著图时,该算法能够取得更好的效果。

加权K近邻和加权投票相结合的虹膜识别算法

利用彩色虹膜数据库研究了在正常环境下采集到的有噪声的虹膜图像在不同色度空间中各颜色通道的性能,提出了一种决策层融合方法,利用加权K近邻方法和加权投票相结合进行虹膜识别.对于每个单独的颜色通道,根据比对距离找到前K个近邻,利用排序与相似度相结合的方法为这K个近邻赋权值(RSWKNN),作为各通道的决策输出.在综合各通道的决策时,利用各通道的性能,对各通道的决策输出进行加权投票,本文采用了四种基于通道性能的各通道加权方法.实验分析了各种算法的性能,结果表明:本方法能够有效提高虹膜识别的准确率和稳定性.

用于支持向量机拒识区域的加权k近邻法

为解决1-v-r和1-v-1支持向量机中存在的拒识区域问题,提出一种加权k近邻法。该方法计算落入拒识区域中的样本,即拒识样本到所有训练样本的距离,选择最近的k个样本为拒识样本的类别投票,并根据距离大小进行加权,得票多的类即拒识样本的所属类。实验结果表明,加权k近邻法实现了零拒识,提高了传统多分类支持向量机的分类性能。

基于加权K近邻的改进密度峰值聚类算法

密度峰值聚类算法是一种新颖的密度聚类算法,但是原算法仅仅考虑了数据的全局结构,在对分布不均匀的数据集进行聚类时效果不理想,并且原算法仅仅依据决策图上各点的分布情况来选取聚类中心,缺乏可靠的选取标准。针对上述问题,提出了一种基于加权K近邻的改进密度峰值聚类算法,将最近邻算法的思想引入密度峰值聚类算法,重新定义并计算了各数据点的局部密度,并通过权值斜率变化趋势来判别聚类中心临界点。通过在人工数据集上与UCI真实数据集上的实验,将该改进算法与原密度峰值聚类、K-means及DBSCAN算法进行了对比,证明了改进算法能够在密度不均匀数据集上有效完成聚类,能够发现任意形状簇,且在三个聚类性能指标上普遍高于另外三种算法。

基于时间加权K-近邻法的无线传感网系统故障诊断

针对无线传感网(WSN)系统故障的诊断问题,提出一种基于时间加权K-近邻法的无线传感网系统故障诊断方法。该方法按照系统故障机理确立特征值,根据WSN系统故障的时间相关性设计基于时间加权的故障诊断分类规则,并结合K-近邻法建立系统故障诊断模型。实验仿真表明,针对WSN系统故障诊断问题,时间加权K-近邻法具有较好的抗干扰性和适应性,与普通K-近邻法、SVM(支持向量机)相比诊断分类性能明显提升。

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法。算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值。实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44%,可为相关应用提供更精确的定位服务。

基于加权投票K—近邻法的生物医学缩略语消歧

生物医学文献信息抽取对充分挖掘利用生物医学领域取得的重要成果,促进生物医学的进一步发展具有重要意义。本文针对生物医学缩略语的分析理解问题,提出了基于加权投票K—近邻法的生物医学缩略语消歧算法。该算法基于"One Sense Per Discourse"假设自动生成带类标实例数据,消歧特征选用能表达文本主题的全局特征词,分类算法采用加权投票K—近邻法。在包含177762篇Medline摘要的真实语料上进行的实验表明,本文所提出的算法明显优于相关工作中的算法。此外,实验还表明,对于缩略语消歧,加权投票K—近邻法与经典K—近邻法相比,不但具有高的预测准确率,而且性能更加稳定。

加权局部近邻标准化PCA的工业过程故障检测

针对工业生产过程的多模态、方差差异明显和非高斯特性,提出一种加权局部近邻标准化PCA(WLNSPCA)的故障检测方法.通过计算每个样本的k近邻样本的加权均值和标准差对原始数据集进行标准化,消除数据的多模态、方差差异和非高斯特性.对加权局部近邻标准化后的数据建立PCA模型,利用SPE和T2统计量进行过程监视.对新来测试样本进行加权局部近邻标准化,再向PCA模型上投影,计算相应统计量.将该方法应用于数值例子和半导体过程,仿真实验结果表明:与PCA、核主成分分析(KPCA)和加权近邻标准化PCA(WNSPCA)相比,加权局部近邻标准化PCA(WLNSPCA)具有一定的优越性.

D近邻加权方法在WSVR中的应用研究

根据每个样本在整个样本空间中所处位置的分布来计算不同的权重值,可以更好地度量样本的局部性质。K近邻加权算法的有效性极大程度上依赖于参数K,但是对参数K的选取有很大的主观性。针对这一缺点,对改进的K近邻算法(dependent nearest neighbor,DNN)算法,提出一种基于D近邻点的DNN加权样本方法,并将这种新的加权方法推广到权重支持向量回归机(weighted support vector regression,WSVR)中。UCI公用数据集和股票指数数据实验结果显示,所提方法具有更高的拟合精度和更小的误差,验证了DNN-WSVR方法的可行性和有效性。