一种自适应的大间隔近邻分类算法

kNN分类算法虽然已经广泛地应用于模式识别的各个领域,但是如何对kNN进行改进仍然是一个研究热点.在各种改进方法中,大间隔近邻分类方法取得了较好的改进效果,但是该算法仍然有一些缺点,例如算法对所有测试样本选择的邻域大小(即k值)都是一样的.针对这一缺点,提出了将自适应选择k值引入到目标函数设定中的自适应大间隔近邻分类算法(ALMNN).该算法的主要步骤是:首先为每个测试样本计算一个k值,然后在每一类选取k个目标近邻,计算属于每一类的损失函数值,选择拥有最小函数值的类作为测试样本的类别.给出了ALMNN方法的算法描述,并且通过多个数据集的实验表明,提出的算法与传统的kNN,LMNN比较,可以在一定程度上提高分类的性能,减少了k值的选择对分类性能的影响,训练集的随机抽取对算法的分类性能影响较小.

一种大规模文本分类大间隔近邻算法

大间隔近邻算法(Large Margin Nearest Neighbor,LMNN)具有较强学习能力和泛化能力,在分类领域有广泛的应用。但将其用于大规模文本分类问题时,LMNN算法中的半定规划问题规模会随着数据规模增大而急剧膨胀,导致求解困难。针对此问题,引入胡贝尔损失函数把LMNN算法的半定优化模型分解为2个低阶的连续优化子模型,降低算法的计算复杂度,提高计算效率。在舆情分类数据集上的实验结果表明,本文算法与传统大间隔近邻算法相比,精度提高了4.5%,分类时间节省了47.1%,故采用分解降阶法来改进LMNN算法的性能是可行的,更适用于大规模文本分类。

基于LMNN的航空发动机维修等级决策

针对航空发动机维修等级之间界限模糊、决策准确度较低的问题,提出一种基于大间隔近邻(LMNN)算法和K近邻算法的发动机维修等级决策方法。首先以发动机历史维修数据为基础,通过大间隔近邻算法获取变换矩阵;再利用变换矩阵将发动机监测数据映射到最优的特征空间;最后采用X近邻算法以优化后的数据为训练样本建立决策模型,对发动机下发时的状态进行评估确定其维修等级。采用某型航空发动机的状态参数和维修等级数据验证了该方法的有效性,其决策准确度高于常用的支持向量机模型和神经网络模型。

基于核空间加权稀疏表示的滚动轴承故障诊断

针对核空间稀疏分类方法忽略了振动信号局部结构包含更多的区分性信息的问题,提出了一种基于核空间的加权稀疏表示轴承故障诊断方法。通过核函数将非线性振动信号映射到高维空间;利用该方法提取振动数据的局部信息并求得相似度加权矩阵;采用优化方法求解测试样本的稀疏系数,通过最小化原始样本与重构样本之间的误差获得分类结果。试验结果表明,所提出的方法具有较高的识别率和鲁棒性。