不完备数据集的邻域容差互信息选择集成分类算法

针对不完备混合信息系统的分类问题,结合粒计算中的邻域容差关系和互信息理论,定义邻域容差互信息的概念,并利用集成学习的思想,提出不完备数据集的邻域容差互信息选择集成分类算法.该算法首先根据缺失属性得到信息粒,划分粒层构建粒空间,在不同的粒层上使用以BP神经网络作为基分类器的集成算法,构建新的基分类器;然后,根据每个信息粒的缺失属性计算出关于类属性的邻域容差互信息,来衡量各个信息粒的重要度,并根据基分类器预测准确率以及邻域容差互信息重新定义基分类器权重;最后,根据预测样本对基分类器加权集成预测分类结果,并与传统的集成分类算法进行对比分析.对于部分不完备混合型数据集,新提出的集成分类算法能有效提升分类准确率.

基于模糊隶属度邻域覆盖的三支分类决策

传统的邻域分类决策方法对不确定数据进行了严格的分类,可能导致严重的分类错误,因此提出一种基于模糊隶属度邻域覆盖的三支分类决策方法。引入模糊邻域覆盖方法,构建邻域覆盖隶属度相关的不确定测度,并且提供数据分布的隶属度近似。通过三支分类策略降低分类风险。通过多个数据集分类实验结果可知,提出的方法在保证分类精度的条件下极大地降低了分类风险。

基于邻域特征融合半监督的图像分类方法

本文提出了一种基于邻域特征融合的半监督图像分类模型(NFA)。首先,针对NFA模型分析获取邻域特征信息的方式,在近邻图模块、时序集成记忆库、多头注意力模块的基础上,通过预训练和后训练过程,引入标签分类项、一致性正则项,完成对初始模型的重构。其次,通过实验对模型中CIFAR-10的数据收集结果进行展示与分析,并与类似模型半监督图像分类的数据处理结果展开对比。通过对比分析可知,融合邻域特征的半监督图像分类法在实验中表现出良好的效果。

邻域信息修正的不完整数据多填充集成分类方法

不完整数据集分类前需要对缺失值先填充。目前已有了一些经典的缺失值填充算法,如均值填充、K近邻填充等。它们各有优势,但这些算法对缺失值的估算易受到与缺失值相关性不大的其他数据干扰,影响缺失值填充效果,进而影响后续分类性能。针对该问题,提出一种邻域信息修正不完整数据多填充集成分类方法。该方法通过嵌入修正填充模块来优化填充过程,利用纯度和邻域半径筛选出待修正填充的近邻数据样本,并根据这些近邻数据样本对缺失值进行修正填充,进一步提升填充精度。同时,融合了多种经典填充算法优势,利用多填充的数据多样性,通过引入集成学习提升分类精确度。实验结果表明,该方法对基准数据集上的缺失值填充效果、数据分类精确度都优于对比方法,同时在真实不完整数据集上也表现出更好的分类精确度。

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。

基于邻域粗糙集优化支持向量机的备件分类研究

针对现有备件分类中存在的备件种类繁多、属性复杂多样及分类标注不统一等问题,文中提出了一种基于邻域粗糙集的支持向量机(NRS-SVM)的多准则备件分类方法。首先,基于历史数据使用邻域粗糙集理论对备件属性进行约简,再将约简后的属性及数据输入支持向量机算法训练分类模型,最后可以将训练好的模型对真实的备件集进行分类。该方法对一家卷烟厂的实际备件数据进行试验验证,结果表明:基于邻域粗糙集的支持向量机在Z企业备件分类中具有高的分类准确率和优秀的泛化能力,验证了所提方法的有效性和优越性,从而更好地支持备件的管理。

融合二连通模体结构信息的节点分类算法

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合二连通模体结构信息的节点分类算法(FMI),利用节点间高阶二连通模体信息学习节点表示,完成节点分类任务。首先,统计网络中的二连通模体,利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样;构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系,对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务,与5种经典基准算法进行对比,所提算法FMI在准确度和F1-分数等指标上表现良好。

基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

基于改进遗传算法的垃圾分类回收选址-路径优化研究

本文主要针对垃圾回收选址-路径问题进行研究,加入了垃圾分类。建立了考虑垃圾分类的垃圾回收中转站选址-路径模型,最小化物流总成本。根据问题模型特点,设计了改进遗传算法来对问题进行求解。采用自适应交叉、变异算子、变邻域算法以及精英保存策略来对算法进行改进。

基于并行权重自适应k-邻域算法的图像分类方法

针对现有KNN算法识别率低的问题,提出了一种并行权重自适应k-邻域算法。该方法首先结合多线程技术,并采用分类组合的多个KNN单元进行识别以提高执行效率;其次在分类组合KNN算法中采用深度学习模型对各个类别进行了系数权重自适应设定,进而降低传统KNN和分类组合KNN,由于单纯类别个数的多少进行决策或者通过人为设定类别比例进行决策而引起的分类误差。通过在Fashion MNIST手写数据集进行实验,结果表明:该算法将传统的KNN算法分类正确率提高到97%左右,对实际应用具有一定的价值。

基于邻域容差熵选择集成分类算法

针对不完备混合型信息系统的分类问题,融合粒计算和集成学习思想,引入邻域容差关系,提出基于邻域容差熵选择集成分类算法。首先根据样本中的缺失属性将不完备混合型数据集划分为不同的信息粒,并再次遍历数据集进行最大化信息粒,构成新的粒空间,用以BP神经网络为基分类器的集成算法在粒空间上训练最大化信息粒,构建新的基分类器;然后以每个信息粒的缺失属性作为条件计算出关于类别属性的邻域容差条件熵,各个信息粒的重要度通过邻域容差条件熵进行量化后,通过信息粒的大小、新训练出的基分类器预测准确率以及邻域容差条件熵重新定义各个基分类器的权重;最后根据预测样本对基分类器加权集成,预测分类结果,并与传统的集成分类算法进行对比分析。对于不完备混合型数据集,新提出的集成分类算法能有效提升分类准确率。

基于自适应密度邻域关系的多标签在线流特征选择

流特征选择指从以流形式到来的特征数据中选出最优特征子集,现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中,由于不同的数据集数据结构和来源不同,在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此,提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation,ML-OFS-ADNR),基于邻域粗糙集理论,所提方法在特征依赖计算时无需任何先验领域信息。此外,提出了一种新的自适应密度邻域关系,使用周围实例的密度信息,可以在流特征选择过程中自动选择适当数量的邻域,不需要事先指定任何参数。通过模糊等价约束,ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10种不同类型的数据集上,所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。

基于特征交互的层次分类在线流特征选择

在开放动态环境下的分类学习任务中,数据特征空间具有动态性,标记空间存在层次化结构.现有的层次分类在线流特征选择算法可以选择较优的特征子集,但这些算法忽略了特征之间存在的交互作用.基于此,提出了一种基于特征交互的层次分类在线流特征选择算法.首先,设计了一种基于层次邻域依赖度去判断特征交互的计算方法;其次,针对层次化结构数据,根据层次结构中不同节点间的兄弟关系定义邻域粗糙集模型;最后,设计了具有在线重要性分析、在线冗余性分析以及在线交互性分析的层次分类在线流框架,用于选择强相关和存在交互作用的特征子集.在6个层次数据集上的实验验证了所提算法具有较优的综合性能.

顾及邻域相关关系的改进PointNet++网络点云分类应用

机载扫描系统可以快速准确地获取大范围地物坐标,具有无可比拟的优势。机载点云具有其自身的特点,而采用PointNet++网络处理时未能依据机载点云的特点进行设计,其分类精度仍有待提高。鉴于此,提出了一种改进PointNet++网络,该网络将邻域点特征和邻域点间关系特征进行采集,并采用CRF算法对预测值进行全局优化用以增强空间一致性。通过选用ISPRS三维语义分割数据集对改进模型进行了测试,实验结果表明,改进PointNet++网络丰富了机载点云特征的描述,具有较高的分类精度。该成果可为三维地理信息提取提供有力保障。

基于改进分类器动态选择算法的滚珠丝杠副状态识别

为提升滚珠丝杠副的性能状态识别精度,提出一种改进的分类器动态选择算法。该算法借助邻域成分分析(NCA),准确并自适应地定义测试样本的邻域,无需选择距离度量方式,从而更加准确地衡量多分类器系统中各子分类器对于测试样本进行正确分类的潜力,解决了传统分类器动态选择算法精度受限于距离度量方式选择是否合适的问题。将所提出的分类器动态选择算法应用于滚珠丝杠副状态识别中,首先利用AdaBoost算法离线训练反向传播(BP)神经网络集合,然后依据实时信号特征,采用改进的分类器动态选择算法从分类器集合中选取最合适的子分类器进行状态鉴定,从而实现更好的识别效果。实验结果表明,提出方法的状态识别准确率能够达到97.22%,高于BP神经网络、AdaBoost与传统分类器动态选择算法,且对于不同的性能状态均有较高的识别精度。

基于邻域粗糙集的多标记分类特征选择算法

多标记学习是一类复杂的决策任务,同一个对象可能同时属于多个类别.此类任务在文本分类、图像识别、基因功能分析等领域广泛存在.多标记分类任务往往由高维特征描述,存在大量无关和冗余的信息.目前已经提出了大量的单标记特征选择算法以应对维数灾难问题,但对于多标记的属性约简和特征选择却鲜有研究.将粗糙集应用于多标记数据的特征选择中,针对多标记分类任务,重新定义了邻域粗糙集的下近似和依赖度计算方法,探讨了这一模型的性质,进而构造了基于邻域粗糙集的多标记分类任务的特征选择算法,并给出了在公开数据上的实验结果.实验分析证明算法的有效性.

基于邻域关系模糊粗糙集的医学图像分类研究

对医学图像进行分类时,特征选择是影响分类准确率的非常重要的因素。针对医学图像的特殊性,以及目前提出的特征选择算法在应用于医学图像分类时效果不够理想等问题,提出一种基于邻域关系的模糊粗糙集模型,基于该模型给出特征选择算法,并将其应用于乳腺X光图像。实验结果表明,同已有的算法相比,该方法能有效选择特征,分类精度有较大的提升。

邻域规则下的遥感图像分类后处理方法研究

椒盐噪声严重影响遥感图像分类结果的精度。本文提出了一种基于邻域规则的聚类方法,该方法的规则制定以地理学第一定律为理论依据,借助CA中的摩尔邻域结构对图像所有像素进行了遍历分析。经由IDL编写程序,对北京市密云地区试验区初始分类图像进行聚类处理,并将调整后的图像与Clump Classes工具处理的图像从目视解译和精度统计两方面作了对比。结果表明该方法应用于分类后处理中,具有较好地去除椒盐噪声、提升分类精度的效果。

基于邻域粗糙集和概率神经网络集成的基因表达谱分类方法

从癌症基因表达谱分析入手,针对基因表达谱维数高、样本少的特点,提出一种用于癌症分类的基于邻域粗糙集和概率神经网络集成的分类方法。首先利用Relief算法对基因进行排序,然后利用邻域粗糙集选取分类特征基因,最后结合概率神经网络集成分类模型进行癌症分类。实验结果表明,该方法可以快速有效地选取癌症特征基因,能获得更好的分类效果。

基于kd-树的快速邻域分类方法

有关邻域粗糙集中信息粒化的研究大多以提升邻域分类准确率为目的,往往忽略了高效的邻域搜索策略对提升邻域分类方法时间效率的重要现实意义.为解决该问题,文中借助kd-树型邻域搜索策略,提出了一种基于kd-树的快速邻域分类方法 kdtree-NC,该方法在特征选择与邻域分类两阶段的信息粒化过程中,均采用kd-树搜索策略代替传统邻域分类方法 NC中的线性遍历搜索,很大程度上降低了NC处理大规模数据的时间消耗.在18组UCI数据集上的实验结果表明,与NC方法相比,kdtree-NC方法在特征选择和邻域分类上的时间效率都有显著提升.