基于模糊KNN的刑侦图像场景分类

针对刑侦图像数量大、质量差、管理难的特点,采用了一种基于模糊分类理论对刑侦视频图像的场景进行分类的方法。首先对监控视频图像的场景进行人工多标记分类,然后对刑侦视频图像提取两种纹理特征(局部二值模式和小波纹理)并进行融合,最后采用模糊K-最近邻(K-nearest neighbor,KNN)分类器实现刑侦图像四种场景(车辆、行人、建筑和街道)的分类并得到监控视频数据库中图像的模糊不确定性。实验结果表明,隶属度充分反映了刑侦图像的内容,同时分类的正确率高达85%,初步达到了对刑侦视频图像自动分类管理的目的。

大数据下的分布式精确模糊KNN分类算法

针对K近邻(KNN)方法处理大数据集的效率问题进行了研究,提出了一种基于Spark框架的分布式精确模糊KNN分类算法,创新性地将Spark框架分布式map和reduce过程与模糊KNN结合。首先对不同分区中训练样本类别信息进行模糊化处理,得到类别隶属度,将训练集转换为添加类隶属度的模糊训练集;然后使用KNN算法对先前计算的类成员测试集计算得到k个最近邻;最后通过距离权重进行分类。针对百万级大数据集样本的实验,以及与其他算法的对比实验表明,所提算法是可行的和有效的。

模糊kNN在文本分类中的应用研究

自动文本分类是根据已经分配好类标签的训练文档集,来对新文档分配类标签。针对模糊kNN算法用于文本分类的性能进行了一系列的实验研究与分析。在中英文两个不同的语料集上,采用四种著名的文本特征选择方法进行特征选择,对改进的模糊kNN方法与经典kNN及目前广泛使用的基于相似度加权的kNN方法进行实验比较。结果表明,在不同的特征选择方法下,该算法均能削弱训练样本分布的不均匀性对分类性能的影响,提高分类精度,并且在一定程度上降低对k值的敏感性。

基于基尼的模糊kNN分类器(英文)

随着网络的发展,大量的文档涌现在网上,自动文本分类成为处理海量数据的关键技术。在众多的文本分类算法中,kNN算法被证明是最好的文本分类算法之一。对于大多数文本分类来说,文本预处理是文本分类的瓶颈,文本预处理的好坏直接影响着分类的性能。在此介绍了一种新的文本预处理算法——基于基尼的文本预处理算法。同时采用模糊集理论改进kNN的决策规则。这两者的结合使得模糊kNN比传统的kNN表现出更好的分类性能。实验结果证明这种改进是有效的,可行的。

一种改进模糊kNN的云计算故障检测方法

在大规模复杂的云计算体系中,通过采集、分析系统数据可以了解系统运行的状态,从而发现并解决云计算故障问题.然而,目前基于监督学习的云计算故障检测方法忽略了噪声数据处理、训练样本的更新、未知类型故障的识别,影响了云计算故障检测的准确性.为此,本文定义了云计算故障模型并提出一种改进模糊k NN的云计算故障检测方法.该方法首先使用基于密度聚类的方法对初始云计算故障数据训练集进行预处理;其次根据模糊熵与互信息相结合的方法对云计算故障特征进行加权;然后根据故障特征权值以及分层检测改进模糊k NN,确定待检测云计算数据的近邻训练样本;最后通过基于最大隶属度的自学习确定待检测云计算数据的故障检测结果.通过实验表明本文方法对云计算故障检测是有效的.

基于S变换和模糊KNN的暂态电能质量扰动分类

该文提出了基于S变换和KNN的暂态电能质量扰动分类的识别方法。首先应用S变换对暂态扰动信号进行时频分析,从信号的S变换得到相应S变换模时频矩阵,并对时频矩阵进行分析,从中提取出8个有效特征量,再由特征量组成的特征向量输入模糊KNN算法分类器中,完成对扰动信号的智能分类。该文用Matlab7.0软件产生了6种常见暂态电能质量扰动信号类型,并进行了相应的分类。仿真结果表明,该方法结构简单,所需特征量少,并能准确的对扰动类型进行辨识。

A KNN-based two-step fuzzy clustering weighted algorithm for WLAN indoor positioning

Although k-nearest neighbors （KNN） is a popular fingerprint match algorithm for its simplicity and accuracy, because it is sensitive to the circumstances, a fuzzy c-means （FCM） clustering algorithm is applied to improve it. Thus, a KNN-based two-step FCM weighted （KTFW） algorithm for indoor positioning in wireless local area networks （WLAN） is presented in this paper. In KTFW algorithm, k reference points （RPs） chosen by KNN are clustered through FCM based on received signal strength （RSS） and location coordinates. The right clusters are chosen according to rules, so three sets of RPs are formed including the set of k RPs chosen by KNN and are given different weights. RPs supposed to have better contribution to positioning accuracy are given larger weights to improve the positioning accuracy. Simulation results indicate that KTFW generally outperforms KNN and its complexity is greatly reduced through providing initial clustering centers for FCM.

基于Leap Motion的手势识别及在大型结构件虚拟安装中的应用

体感控制器Leap Motion因其追踪精度高、手势交互性好的优点被广泛运用于各类虚拟安装。将Leap Motion手势识别应用于高集成度大型结构件的高精度虚拟安装,可实现虚拟手对安装过程的交互控制。设计了一种基于加权卡方距离的模糊K最近邻结点(KNN)分类方法实现虚拟手势分类,根据手势特征的重要性赋予不同权值,可进一步提高分类准确率,测试结果表明改进分类方法识别准确率达到92.7%,比传统分类算法提高5.3%。使用三种手势进行发动机部件的虚拟安装实验,结果表明手势识别在安装过程中取得了良好的效果,可提升现实安装过程的质量和效率,对于提升大型军品的制造和安装水平具有重要意义。

基于动态SSL的航空发动机突发故障检测

针对航空发动机转子系统的突发故障检测,提出了一种适用于动态过程检测的半监督学习(semi-supervisedlearning,简称SSL)方法———动态半监督学习方法(dynamic semi-supervised learning,简称DSSL)。首先,用已经有类标的数据对学习器模糊KNN(fuzzy k-nearest neighbour,简称FKNN)进行初始化训练,训练完成后,当新的数据到达时,对新的数据进行分类;然后,计算类的演化指标来检测系统的演化程度,检测阶段完成后,学习器根据检测结果实时的修正自身参数,以自适应最终的动态分类任务;最后,用转子试验台模拟航空发动机突发性扇叶断裂故障来获取数据,该实验结果验证了提出方法在突发性故障检测中的可行性、有效性。

基于Spark的输变电线路实时故障监测研究

输变电线路状态监测数据是智能电网中数据量很大的一部分,不仅包括在线的状态监测数据,还包括设备的基本信息、实验数据、缺陷记录等,在数据处理的可靠性和实时性方面的要求都很高。根据实际应用中输变电线路的故障类型,设计并实现了输变电线路实时数据故障监测模型。其中,利用高效处理实时数据的Spark系统,研发出基于Spark的分布式ISODATA和模糊KNN大数据分析算法,与单机KNN算法相比,在时间性能上提高了70.75%效率,具有明显的计算效率优势。