基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

基于动态自适应近邻算法的天波雷达RD图分类器设计

天波雷达的干扰检测问题可转化为距离-多普勒(Range-Doppler, RD)图像分类。在RD图分类器设计中,使用K近邻(K-Nearest Neighbor, KNN)算法时,k值的选取直接影响到干扰检测准确率。根据过往经验预设k值时,无法确定所设k值下的干扰检测准确率。为此,将互近邻条件引申为k值自动赋值方法,以局部均值为距离计算依据,设计动态自适应近邻(Dynamic Adaptive Nearest Neighbor, DANN)新算法。分别在多个UCI(University of California Irvine)数据集与现有RD图库上测试,与6个常数k值下K近邻算法进行对比分析。多个UCI数据集实验表明,DANN的平均准确率比不同k值下KNN的均值高6.21%,且比最优k值高3.7%;实测RD图库实验表明,DANN的平均准确率比不同k值下KNN的均值高2.9%,且比最优k值高0.56%。因此,该算法可以在干扰检测中减少人工参与,且能够获得较高的检测准确率。

基于自适应近邻图嵌入的局部鉴别投影算法

针对局部Fisher鉴别分析(LFDA)中样本近邻点个数对于最优投影方向的影响以及在度量类间离差度时未考虑不同类别样本近邻点的两点不足之处,该文提出一种基于自适应近邻图嵌入的局部鉴别投影算法,根据样本分布以及样本间的相似度自适应计算类内和类间近邻点,依据类内类间近邻点的个数定义局部类内与类间离差矩阵中的权值矩阵,通过最大化局部类间离差度最小化局部类内离差度,得到最优低维子空间。该算法不仅能够保持样本的局部信息,而且能够保持样本的鉴别信息,在人工数据以及标准数据库上的实验表明该方法是有效的。

完备自适应近邻图嵌入的局部鉴别投影算法

针对基于自适应近邻图嵌入的局部鉴别投影算法(Neighborhood graph embedding based local adaptive discriminant analysis,LADP)仅仅利用局部类内离差矩阵主元空间的鉴别信息而丢失了其零空间内大量鉴别信息的不足,结合全空间的基本思想提出了完备的基于自适应近邻图嵌入的局部鉴别投影算法(Complete LADP,CLADP)。在局部类内离差矩阵的零空间内,通过最大化局部类间离差矩阵提取不规则鉴别特征,在局部类间离差矩阵的主元空间内,通过最大化局部类间离差矩阵的同时最小化局部类内离差矩阵提取规则鉴别特征,最后将不规则鉴别特征和规则鉴别特征串联形成CLADP特征。在ORL,Yale以及PIE人脸库上的人脸识别实验结果证明了CLADP的有效性。

加权空-谱自适应近邻聚类的高光谱图像分类

高光谱图像聚类算法可以对海量的高光谱图像数据进行信息提取,完成地物类别的初步分类。自适应近邻聚类(clustering with adaptive neighbors,CAN)作为一种新型的聚类算法,利用样本间的局部连通性实现聚类,聚类效果较好,但是该算法的性能受样本间相关性的影响较大。基于此,文章提出了一种新的融合高光谱图像的空间信息和光谱信息的分类方法,即加权空-谱自适应近邻聚类(weighted spatial and spectral clustering with adaptive neighbors,WSS-CAN)法,该方法通过引入样本点的近邻窗口尺度和光谱因子2个参数对高光谱图像进行重构,增强了样本间的相关性,对重构后的图像进行CAN聚类,有效提高了分类精度。在Indian Pines和Salinas-A数据库上的实验结果表明,由WSS-CAN得到的总体精度分别为56.33%、77.90%,分别比其他聚类算法提升了11.52%~18.47%、10.1%~14.79%,聚类效果较好。

自适应近邻的局部线性嵌入算法

在局部线性嵌入算法(LLE)中寻找最优近邻数常用试凑法进行搜索,需要大量的时间才能得到最优结果.为此提出基于自适应近邻的局部线性嵌入算法(ANLLE),算法首先给出一个相似性度量函数,然后据此为各个样本设定阈值,根据每个样本周围数据分布情况,为每个样本自动设置不同近邻数,最后在各个样本近邻数不相同情况下进行数据降维及待测样本的分类.在人脸数据库及手写数字数据库上的对比实验表明,ANLLE算法识别性能高于标准LLE算法及邻域线性嵌入算法(NLE).

自适应近邻局部比值和线性判别分析算法

在机器学习和模式识别中,降维能够显著提升分类器的判别性能与效率。比率和(ratio sum,RS)是线性判别分析(linear discriminant analysis,LDA)的一种全新变体,它试图使投影矩阵在每个维度上都达到最优。但RS并没有考虑到数据的局部几何结构,这就可能导致无法求得最优解。为了克服RS的这一缺点,提出了一种自适应近邻局部比值和线性判别分析算法(adaptive neighbor local ratio sum linear discriminant analysis,ANLRSLDA)。该算法使用自适应近邻的构图方法构建邻接矩阵,保留数据的局部几何结构完成了数据类间及类内矩阵的构建,从而更好地找到数据的最优表示;并且该方法采用有效的无核参数邻域分配策略来构造邻接矩阵,避免调整热核参数的需要。在UCI数据集及人脸数据集进行了对比实验,验证了该算法的有效性。

自适应近邻的极小极大标签传播

极小极大标签传播是一种半监督分类方法,具有时间复杂度低的优势.该方法需要利用K近邻图构建稀疏相似度矩阵,对于不同的数据,如何确定K的值是个问题;如果固定K值,可能因为其值不合适导致图不连通,从而出现标签传不到某些数据,即有的数据不能被分类的问题.本文提出了一种基于自适应近邻的极小极大标签传播的方法.该方法针对图像分类问题,计算出每个样本点的自适应近邻,解决了选取的K值不合适而造成的图不连通问题,并且提高了算法的分类正确率.

自适应近邻聚类及其在个性化推荐中的应用

介绍了自适应近邻聚类算法的原理,并对算法中的几个名词进行了解释;分别采用自适应近邻聚类与K-Means聚类对半月形数据集进行了实验演示;将自适应近邻聚类与个性化推荐系统相结合,采用自适应近邻聚类对某高校3个专业65名学生读者的借阅记录数据进行聚类处理,验证了相同专业读者具有相似借阅行为这一规律,进而说明了该算法应用在个性化推荐中有效可行。自适应聚类是一种优秀的聚类算法,在实际数据聚类应用中具有良好的效果。

基于线性判别分析和自适应K近邻法的手势识别

基于小容量数据集的手势识别是人机交互技术研究中的一个重要课题。本文提出了一种基于线性判别分析和自适应K近邻法的手势识别方法。首先,应用高斯背景建模方法从包含目标交互者的训练视频集中提取各类手型图像,并调整到相同尺度来构建手势训练集。然后,通过改进的线性判别分析对训练数据进行特征提取。最后提出一种自适应K近邻法对实时交互过程中得到的手型信息进行分类和识别。应用上述方法自建小型手势库进行实验和比较分析,结果显示与现有的手势识别算法相比,本文方法具有更高的识别率。

面向非球形分布数据的自适应K近邻聚类算法

针对传统聚类算法处理非球形分布数据的不足，提出了一种新型的自适应K近邻 聚类算法。该算法由数据集归一化、初始类别构造和初始类别融合3个步骤构成。仿真结果 表明，该算法在无须聚类数目的前提下，对非球型分布数据具有很好的聚类效果。

一种改进的自适应K近邻聚类算法

为解决传统聚类算法不能处理非球形分布数据的问题,文犤5犦提出了一种自适应k近邻聚类算法。该算法在无需聚类数目的前提下,能有效解决非球形分布数据的聚类问题。但进一步的研究表明,该算法在处理带“奇异”样本的数据集时失去效果。为此,该文给出了一种改进的自适应k近邻聚类算法。仿真结果表明,新算法不仅保持了原算法在处理非球形分布数据时的优良特性,还成功解决了“奇异”样本问题。

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。

基于自适应近邻局部保持投影算法的人脸识别

针对传统的局部保持投影算法(LPP)直接使用数据的原始空间信息导致选取近邻不准确,以及LPP算法投影时忽略数据类别信息的问题,提出一种基于自适应近邻局部保持投影的人脸识别方法。该方法在特征提取时利用可变的相似度、近邻信息以及数据类别信息构建目标函数,使得在投影子空间中同类样本尽量紧凑,异类样本尽量远离。通过最小化目标函数自适应优化邻接矩阵与投影矩阵,用优化后的投影矩阵对高维数据进行降维,采用降维后的数据进行人脸分类识别。将该方法应用于扩展Yale人脸数据库、CMU-PIE人脸数据库、MSRA人脸数据库和CAS-PEAL人脸数据库中进行人脸识别,实验结果验证了其有效性。

基于自适应k近邻的时间序列异常模式识别

时间序列作为数据的典型代表,被广泛应用于许多研究领域.时间序列异常模式代表了一种特殊情况的出现,在许多领域都具有重要意义.现有的时间序列异常模式识别算法大多只是单纯检测异常子序列,忽略了异常子序列的类别区分问题,且许多参数都需要人为设置.为此提出了一种基于自适应k近邻的异常模式识别算法(anomaly pattern recognitionalgorithm based on adaptive k nearest neighbor,APAKN).首先,确定各子序列的自适应k近邻值,引入自适应距离比计算子序列的相对密度,确定异常分数;然后提出一种基于最小方差的自适应阈值方法确定异常阈值,检测出所有异常子序列;最后,对异常子序列进行聚类,所得聚类中心即为具有不同变化趋势的异常模式.整个算法过程在无需设置任何参数的情况下,不仅解决了密度不平衡问题,还精简了传统基于密度异常子序列检测算法的步骤,实现良好的异常模式识别效果.在时间序列数据集合UCR的10个数据集上的实验结果表明,提出算法在无需设置参数的情况下,在异常子序列检测和异常子序列聚类问题中都表现良好.

一种层次聚类和自适应加权K近邻组合的室内定位算法

针对基于接收信号强度的位置指纹室内定位算法定位精度不高的问题,提出了一种均值层次聚类和自适应加权K近邻(weighted K nearest neighbor,WKNN)的室内定位算法。算法首先在设置的参考点上采集蓝牙信号强度构建离线指纹数据库,然后采用均值层次聚类方法将所有参考点根据各自之间的相似度分为n个类,滤除掉相似度较小的参考点,最后根据待定位点和参考点间的信号距离的相似度,计算出距离差的标准差来自适应确定K值,并进行位置估算。实验结果表明,本文提出的算法在定位精度上比WKNN、动态加权K近邻(enhanced weighted K nearest neighbor,EWKNN)方法分别提升了30.0%和18.0%,在定位实时性上比WKNN和EWKNN方法分别提高了19.2%和28.4%。将该算法用于室内物体定位,可以同时提高定位精度和定位实时性。

蜂窝系统自适应K近邻干扰对齐算法

干扰对齐算法应用于蜂窝网络时,存在计算复杂度高、系统开销大等缺点,本文基于分簇模型,提出了一种自适应K近邻干扰对齐算法,并给出一种无需收发端迭代的干扰对齐预编码向量求解方法。该算法依据信干比门限自适应选取参与干扰对齐的干扰信号,对预筛选的干扰信号利用优化方法进行干扰对齐,降低了算法的计算复杂度和系统开销。仿真分析表明,通过选取合适的信干比门限,本文所提算法在干扰消除性能相当的情况下,其算法复杂度和系统开销显著降低,提高了干扰对齐算法的适用性。

基于改进的自适应传播模型的农业风险区划分析

农业险定价中的核心问题是农业风险区划问题,为了体现农业区划中个体指标的动态发展特征,根据近邻传播改进自适应近邻传播聚类方法对数据进行优化,基于轮廓系数、归属度和吸引度得到最佳聚类中心和几何聚类中心,并将聚类转化为新数据集的聚类问题;选取代表性的棉花为例进行实证分析,通过计算生产、销售、收入、财政等指标进行棉花风险区划实例分析,计算最优棉花风险区划,结果表明对于具有动态特征的数据,本模型具有很好的有效性、实用性和解释性。

基于聚类优选自适应KNN的改进定位算法

针对室内复杂环境下,WiFi定位算法选取固定K近邻(KNN)会导致定位精度变差的问题,提出基于MeanShift聚类选取自适应KNN的混合相似度加权KNN(MWKNN)定位算法,并基于几何位置对自适应KNN进行动态优选。通过MeanShift聚类和几何位置动态优选自适应KNN进行加权KNN(WKNN)算法定位估计,削弱了含有较大误差的近邻点参与定位的影响,显著提高了算法的定位精度。实验结果表明:在3 m网格及3 dBm噪声标准差条件下,改进MWKNN定位算法的均方根误差为0.92 m,平均定位误差小于0.74 m;2 m精度下的概率达到96%。定位精度明显优于传统KNN和WKNN算法,同时提升了定位结果的稳定性。

基于多模式分解和多分支输入的光伏功率超短期预测

针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为adAP算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果。实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度。