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.

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。

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。

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AKNN异常检验与ADPC聚类的低压台区拓扑识别方法

低压台区拓扑信息的准确记录是进行台区线损分析、三相不平衡治理等工作的基础。针对目前拓扑档案排查成本高且效率低的问题,提出一种基于自适应k近邻(adaptive k nearest neighbor,AKNN)异常检验和自适应密度峰值(adaptive density peaks clustering,ADPC)聚类的低压台区拓扑识别方法。该方法利用动态时间弯曲(dynamic time warping,DTW)距离度量低压台区用户间电压序列的相似性,通过AKNN异常检验算法检验并校正异常的用户与变压器之间的关系(简称“户变关系”),在得到正确户变关系的基础上,采用ADPC聚类算法对台区内用户进行相位识别;最后,通过实际台区算例分析验证了该方法不需要人为设置参数,能有效实现低压台区的拓扑识别,具有较高的适用性与准确性。

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。

基于OTT与MR数据的自适应WKNN室外定位方法

随着无线通信技术的快速发展和日趋成熟,基于位置的无线定位服务对于无线通信网络优化分析越来越重要。当GPS不能达到全覆盖时,类似于指纹库的定位技术逐渐产生。本文提出了一种自适应WKNN指纹库定位算法,该算法引入了随机森林算法,计算出每个特征的重要性,并通过丢弃不可靠的参考点进行自适应选择,以提升每个用户定位结果的准确性。整个方法是使用Apache Spark框架实现的,并在运营商的真实数据流上进行测试。结果表明,与TA+AOA和传统的WKNN指纹库定位方法相比,该方法有了显著的改进。

基于异常检测的标签噪声过滤框架

噪声是影响机器学习模型可靠性的重要因素,而标签噪声相比特征噪声对模型训练更具决定性的影响。噪声过滤是处理标签噪声的一种有效方法,它不需要估计噪声率,也不需要依赖任何损失函数,然而目前大多数标签噪声过滤算法都会面临过度清洗问题。针对此问题,文中提出了基于异常检测的标签噪声过滤框架,并在此框架下给出了一种自适应近邻聚类的标签噪声过滤算法AdNN(Label Noise Filtering via Adaptive Nearest Neighbor Clustering)。该算法分别考虑分类问题中的每一个类别,把标签噪声检测问题转化成离群点检测问题,识别出每一个类别的离群点,然后根据相对密度去除离群点中的非噪声样本,得到噪声备选集,最后通过噪声因子对噪声备选集中的离群点进行噪声识别和过滤。实验结果表明,在合成数据集和公开数据集上,所提噪声过滤方法可以减轻过度清洗现象,同时能够得到很好的噪声过滤效果和分类预测性能。

基于AP加权的自适应动态室内定位方法

针对传统定位算法存在大量不同接入点(AP)的冗余信息,且在定位范围较大时定位时效性差的问题,提出一种基于卡方距离的AP加权自适应动态定位算法。指纹匹配阶段利用卡方距离代替传统加权K近邻算法(WKNN)中的欧式距离,用AP方差对相似度进行加权,从而自适应调整距离阈值,并引入动态K值,精确提取数据库信息。实验结果表明,与传统定位算法相比,该算法更有利于去掉冗余的AP,使定位误差范围缩小,可显著提高定位精度与稳定性。

基于邻域互信息与K-means特征聚类的特征选择

针对多数邻域系统通过人工调试很难搜索到最佳邻域半径,以及传统的K-means聚类需要随机选取簇中心和指定簇的数目等问题,提出了一种基于邻域互信息与K-means特征聚类的特征选择方法。首先,将样本在各特征下与其他样本距离的平均值作为自适应邻域半径,确定样本的邻域集,并由此构建自适应邻域熵、邻域互信息、归一化邻域互信息等度量,反映特征之间的相关性;然后,基于归一化邻域互信息构建自适应K近邻集合,利用Pearson相关系数表示特征的权重定义加权K近邻密度,实现自动选取K-means算法的簇中心,进而完成K-means特征聚类;最后,给出加权平均冗余度,选出每个特征簇中加权平均冗余度最大的特征构成最优特征子集。实验结果表明所提算法不仅可以有效提升特征选择的分类结果而且可以获得更好的聚类效果。

基于多方向Gabor特征图协同表示的鲁棒人脸识别

为提高基于稀疏表示分类(SRC)算法在可变光照、姿态和表情下的人脸识别性能,提出一种基于多方向Gabor特征图(MGFM)和协同表示分类(CRC)的鲁棒人脸识别方法。首先,对人脸图像进行多方向多尺度Gabor变换,并融合同一方向不同尺度的Gabor特征;其次,在每个方向的融合特征图上提取Gist特征。在进行人脸识别时,可采取2种方法:1)将人脸图像所有方向的Gist特征直接串联或自适应加权后串联构成人脸全局特征向量,并使用协同表示分类器得到识别结果;2)对人脸图像每个方向的Gist特征向量分别使用协同表示分类器进行预分类,预分类时使用自适应K近邻策略确定候选类并进行评分,取总得分最高的类作为识别结果。最后,在ORL,Extended Yale B和AR等人脸数据库上开展人脸识别实验,由提出的方法分别取得99.8%,100%和99.7%的识别准确率和较快的执行速度。研究结果表明:本文方法利用多方向Gabor特征图(MGFM)建立人脸图像的特征表示能有效描述人脸局部信息,利用自适应K近邻策略改进协同表示分类算法能取得较高的识别准确率和执行效率。

基于农村发展模式分析的中长期负荷预测方法

针对农村用电方式和用电需求变化问题,本文在考虑国家政策、农村经济等影响农村发展模式及负荷变化因素的基础上,提出了一种基于农村发展模式分析的中长期负荷预测方法。首先,对电力系统大数据进行了分析,提出了K-means-Robust聚类算法与加权自适应K近邻算法,搭建了农村发展模式预测模型。然后,针对不同农村发展模式,使用基于灰色关联度分析的正则化门控循环神经网络模型预测农村中长期负荷变化曲线。最后,以某农村为例,验证了所提方法的可行性。

基于显著性区域检测的抗干扰车辆颜色识别

在车辆颜色识别的过程中,车辆图像中主要颜色区域的准确分割、排除非颜色干扰区域始终是个问题。因此提出一种基于显著性区域检测的抗干扰车辆颜色识别算法,针对车辆颜色区域分割不准确问题进行一定程度的改善,去除车辆颜色干扰区域并使用自适应k近邻算法(KNN)进行颜色分类。实验结果表明,该方法能有效分割车辆主要颜色区域,并且能达到比较好的分类识别效果。