基于区域分割的快速KNN定位算法

针对位置指纹定位算法指纹匹配效率低、定位实时性差等问题,基于传统的K最近邻思想提出一种区域分割的方法。该算法在指纹匹配阶段根据区域分割的思想,逐步缩小对目标点的定位区域范围,选取该范围内所有的参考点作为待匹配的指纹,利用KNN算法进行最终的位置估计,实现目标的快速定位。这样的过程大幅度减小了KNN算法的指纹匹配功耗,使其能应用在较大的指纹数据库中。仿真实验结果表明,该算法在保证定位精度的情况下,定位的速度明显快于传统的KNN定位算法。

改进词向量和kNN的中文文本分类算法

为提高中文文本分类的效率和准确率,针对汉字象形字的特点和数据量剧增的大数据背景,建立基于深度学习的中文文本分类算法。首先根据汉字子字符(字形、偏旁、笔画等)象形字即形状自带含义的特点,建立基于子字符和上下文特征的双通道CBOW模型实现中文文本向量化;其次基于大数据的背景,针对传统的kNN算法分类速度慢的缺点,提出一种基于LSC聚类和多目标数据筛选的快速kNN分类算法;最后运用快速kNN算法对文本数据转化的特征词向量数据进行分类。实验结果表明,改进后的中文文本分类算法增加了算法的使用范围,能够更精确地处理中文文本数据,更快地处理大数据问题,在分类速率和效果上都有一定程度的提升。

基于改进K近邻的垃圾邮件过滤技术

提出了一种基于K近邻(KNN)原理的快速文本分类算法。该算法不仅具有原始K近邻算法分类效果好的优点,还通过对训练样本进行压缩,消除相似度之间的比较,提高了分类效率。实验表明,该算法用于邮件过滤系统时,分类效果要优于基于朴素贝叶斯分类器的二项独立模型和多项式模型,而分类的时间复杂度与其相当,完全可以应用于实时邮件过滤。