基于车辆路径问题的带近邻因子的粒子群算法

提出了一种改进的粒子群算法。该算法通过引入近邻因子,增强了当前粒子的学习功能,克服了基本粒子群算法易陷于局部最优的缺陷,提高了算法进化的收敛精度。将该算法用于解决车辆路径问题,实验结果表明具有较好的性能和很好的应用价值。

基于带近邻因子的粒子群算法的非线性系统辨识

针对非线性系统辨识的问题,提出了一种改进的粒子群算法。该算法引入近邻因子,增加了当前粒子的社会学习功能,可有效克服基本粒子群算法易陷于局部最优解的常见弊病。算法对未知非线性系统具有充分的逼近能力,对噪声不敏感,实现了对一类非线性系统的有效辨识。

利用近邻因子提高二氧化氮遥感反演浓度的精度-基于随机森林算法

NO_(2)是损害健康和破坏生态的主要大气污染物。本文基于NASA提供的AuraOMI遥感反演NO_(2)浓度,利用采样点8km内的经济、人口、路网和坡度数据,以及气象、植被和高程的点值数据,采用随机森林算法、地理加权回归(GWR)和多尺度GWR方法提高NO_(2)浓度的预测精度。NASA原浓度R2为0.48,以上三种模型把交叉验证R2分别提高到0.74、0.71和0.70,其中随机森林算法的精度最高,该算法的均方根误差(RMSE)和平均绝对误差(MAE)分别只有6.4μg/m^(3)和4.98μg/m^(3),且其速度远快于多尺度GWR,预测精度也高于大部分现有的同等范围研究。在浓度修正方面,局部化经济人口路网因子对预测精度提高的贡献至少为11.24%。此外,基于随机森林算法还给出全国县级城市NO_(2)浓度估计值的分布图。

FNOD:基于近邻差波动因子的离群点检测算法

针对现存离群点检测算法和剪枝方法存在算法精确度较低和剪枝程度小的问题,提出了一种基于近邻差波动因子的离群点检测方法。该方法首先依据离群点的相互k近邻(MUN)点数远小于参数k这一特点,提出了一种基于近邻关系的剪枝方法;然后提出近邻差的概念来刻画数据对象与其邻居点的分布特征,在变化的参数k下,离群点和正常点的近邻差的变化不同;最后采用近邻差波动衡量每个数据点的离群程度,进而检测出离群点。人工数据集和真实数据集下的实验结果表明,该算法能够有效且较为全面地检测出离群点。

改进的LLE算法在图像分类中的应用

局部线性嵌入算法LLE(Locally Linear Embedding)可以有效地对图像的高维特征进行降维。针对处理样本分布不均匀及近邻因子选择时会出现的问题,在对高维数据降维时,近邻点的选择采用计算测地线距离而非传统的局部欧式距离,且近邻点的个数选择进行预先优化以达到更好的降维效果。实验表明,改进后的LLE算法具有更好的分类精确度,在图像分类过程中比单纯的LLE算法具有更好的分类性能。