路网上的单色和双色反k最远邻查询

传统的路网上的反最远邻查询是直接找出查询点的反最远邻,这种方法不但效率不高,而且需要大量内存资源进行预计算。为了更有效地解决基于路网的单色和双色反k最远邻查询问题,提高反k最远邻查询的效率,提出了从反最近邻的角度来分析反最远邻查询问题,把反最远邻查询转化为反最近邻问题。根据这一理论,提出了一种有效的基于路网的单色和双色的反k最远邻查询算法。通过实验与实验分析表明,该方法具有良好的实用价值。

欧式空间中反向最远邻查询方法的研究

大部分反向最远邻查询算法采用过滤-提纯查询处理框架,对数据集和查询点的位置关系不进行判断。针对这种情况,提出了一种处理欧式空间中反向最远邻查询方法,首先利用查询点与凸包之间的位置关系进行判断,得到三种情况,针对第三种情况再进行过滤和提纯两步处理。在过滤步骤中,使用修改的半平面修剪策略,除去大量的数据点,在提纯步骤排除不是查询点反向最远邻的数据点。实验结果验证了算法的有效性。

空间数据库中反最远邻查询方法

在欧式空间下反最远邻查询算法的研究已取得了很多成果,但反最远邻查询问题还未得到有效解决。本文提出一种反最远邻查询算法,有效地解决了反最远邻查询问题,查询算法采用了过滤-提炼的解决模型。在过滤阶段,提出了反远中垂线裁剪方法。该裁剪法是通过做中垂线来过滤不是查询点的反最远邻的点。在提炼阶段,提出了反远范围查询提炼方法。该提炼方法是通过判断对象点是否在设定的范围外来验证该点是否是查询点的反最远邻。最后通过实验验证了所提算法的有效性。

反向最远邻的有效过滤和查询算法

反向最远邻(RFN)是空间数据库理论与应用中的一类新问题.为了有效地处理数据集中给定点的RFN查询,利用提出的离散边界点及邻域区等概念得到用于判定RFN的候选集的相关性质和定理,并给出其过滤算法.在得到过滤的候选集基础上,提出了F-RFN查询算法.对算法的正确性、可终止性和时间复杂性进行了分析.实验表明采用过滤方式的F-RFN查询比未经过滤的RFN查询的PA效率平均提高约37%.

不确定移动对象的概率反向最远邻查询算法

随着无线通信和定位技术的不断发展,对移动对象的位置服务提出了更高的要求.由于感知设备的限制以及数据更新延迟,使得实际得到的数据具有不确定性.为了有效的发现大量存在的边界区域内不确定移动对象对广泛分布的全局查询对象所产生的影响,提出了概率反向最远邻查询算法,以解决不确定移动对象的弱影响集问题.给出不确定移动对象数据模型、空间支配定义以及概率反向最远邻查询的形式化定义,检索那些比给定概率值高的查询对象的反向最远邻的不确定移动对象.提出了TSF算法和TSR算法,能够有效过滤候选集,加速查询效率.实验结果验证了算法的有效性.

空间近似关键字反远邻查询

空间数据集中的点普遍由空间信息及描述文本信息组成.空间近似关键字反远邻查询(Approximate String Reverse Furthest Neighbors Search,ASRFNS)问题是在一个空间数据集中搜索所有以给定查询点为最远邻,且满足文本相似度条件的目标.基于现有的空间反远邻查询算法以及近似关键字查询算法,我们提出了两个基本的解决算法:凸包最远单元交集(CHFCs Join)算法和凸包最远单元近似字符串串行查询(CHFCASSS)算法;我们又设计了一种包含空间和关键字信息的外存索引结构Filter-Rtree,并给出了相应的凸包最远单元过滤R树(CHFilterRtree)高效算法.通过真实数据集的实验测试,验证这三种算法的有效性,并分析比较了其性能与效率.

基于反向最远邻的商品推荐算法研究

有效的推荐算法可以最大限度地发掘商品的价值.通过研究用户的偏好,分析了从海量商品信息中为用户推荐感兴趣内容的方法.目前大多数推荐系统向用户推荐的是较为流行的商品,而忽略了那些当下不"热门",却有着巨大潜力的商品.以发掘小众中的大众商品为目的,提出了一种基于反向最远邻(Reverse Furthest Neighbor,RFN)查询的商品推荐算法:基于专家用户的信任协同过滤算法,替代传统用户相似匹配的协同过滤推荐算法;利用幂律对商品进行范围缩减,优化系统筛选的效率,实现了对有潜在价值商品的推荐,使小众商品属性的分布得到更深层次的挖掘.实验结果表明本文推荐算法输出结果质量较高,适用于解决部分"长尾问题".

移动对象的动态反向最远邻查询算法

随着无线通信和定位技术的不断发展,对移动对象的位置服务提出更高的要求.为了有效地发现大量的边界区域移动对象对广泛分布的全局查询对象所产生的影响,提出了一种动态的反向最远邻查询算法,以解决移动对象的弱影响集相关问题.针对移动对象是动态环境情况下提出动态反向最远邻查询算法,并以TPR-tree为索引结构,采用半平面修剪策略,给出了改进的FTPL修剪方法.通过过滤-精炼两步骤对查询空间进行安全高效的修剪,提出移动对象的动态反向最远邻查询算法.实验结果验证了本文算法的正确性和查询性能优势.

基于改进Metric索引的反向最远邻查询方法

PIV算法在构建Metric索引时,需要计算凸包顶点与凸包内的全部数据点距离,当数据集较大时,会浪费存储空间并增加查询消耗。为此,改进Metric索引,只存储凸包顶点与凸包内的部分数据点的距离,提出利用凸包内的点与凸包顶点之间的距离,判断该点是否是查询点反向最远邻的方法。测试结果表明,与PIV算法相比,该方法可以正确得到反向最远邻查询结果,并减少占用的存储空间和查询消耗,提高查询效率。

利用离散边界点判断的反向最远邻查询算法

目前大部分的反向最远邻查询方法对查询点是否存在反向最远邻的情况不进行判断,当查询点不存在反向最远邻的结果集时,也进行全部的操作,增加了查询消耗。针对这种情况,提出了利用离散边界点判断查询点是否存在反向最远邻结果集的方法,利用离散边界点、四分邻域区和半平面修剪策略进行过滤操作,并验证过滤后得到的结果集中数据点的有效性。实验测试了查询点的位置对查询的影响和数据集的大小以及数据分布对查询的影响,并与利用凸包判断的方法进行了对比分析。实验结果表明,当查询点不是离散边界点时,查询消耗几乎为0,当查询点移动到边界时,查询消耗增加。实验表明提出的方法可以得到查询点的反向最远邻结果集。

远邻粒子群算法及在Delta机器人优化设计中的应用

为了提高粒子群算法全局寻优能力,提出一种远邻粒子群算法,该算法引入邻域算子概念,每个粒子选择与自身欧氏距离较远的粒子建立邻域,邻域中粒子的数目用邻域算子表示.测试函数实验结果表明,该算法在一定程度上消除了标准粒子群算法容易陷入局部最优的缺点.应用远邻粒子群算法对Delta机器人进行优化设计,结果证实:所提出的远邻粒子群算法较标准粒子群算法具有更好的寻优能力,比邻居递增粒子群算法搜索精度更高.

基于最近最远邻和互信息的特征选择方法

随着数据量的增加,特征选择已经成为机器学习和数据挖掘领域的研究热点,提出一种基于最近最远邻的特征选择算法。一个数据点与其最近的邻点属于同一集群,与最远的邻点属于不同的集群,通过计算最近最远邻的特征距离可以得到一种判断特征重要性的指标;在此基础上运用互信息方法去除了特征之间的冗余;同时引入了Gradient boosting方法进行模型参数调优,提高了分类准确性。在UCI数据集上进行分类预测,结果表明该算法能够找到较优的特征子集,分类准确性得到一定提升。

基于MGCD的转子故障数据集降维方法

针对由于特征维数过高导致故障数据集分类困难及故障模式辨识精度偏低的问题,提出一种基于多图协同决策(multi graph collaborative decision-making,简称MGCD)的转子故障数据集降维算法。首先,在边缘Fisher分析(marginal Fisher analysis,简称MFA)算法框架基础上,通过建立近邻图和远邻图解决因单一图结构导致的故障类别局部不可分问题;其次,采用最大化散度加权差分方式去削弱小样本问题造成的影响;最后,利用两个不同结构型式的转子系统故障模拟数据集对算法性能进行了验证。结果表明,使用本算法对故障数据集进行降维得到的敏感故障数据集使故障类别之间的差异性更加突出,能够提高故障模式识别准确率,为提高旋转机械智能故障诊断技术水平提供一定的研究参考依据。

基于泡沫大小动态分布的浮选生产过程加药量健康状态分析

针对矿物浮选过程泡沫大小分布随着药剂量的改变而动态变化的特点,提出一种基于泡沫大小动态分布特征的具有自学习功能的浮选生产过程加药量健康状态统计模式识别方法.首先,通过泡沫图像分割、气泡尺寸分布核密度估计获得浮选气泡大小的概率密度分布函数,采用无监督的最远邻聚类方法获得典型药剂量添加状态下的气泡尺寸统计分布特征集;然后,采用简单的贝叶斯推理方法获得测试时间段对应的药剂添加健康状态分析识别结果,并根据浮选生产工况状态的动态变化对各典型药剂状态下的气泡大小统计分布特征集进行在线学习修正.实验结果表明,所提出方法能实时获取泡沫尺寸分布的动态变化,实现浮选药剂操作健康状态的自动识别与评价,为进一步实现浮选生产过程的加药量优化控制奠定了基础.

优化K均值随机初始中点的改进算法

针对传统K均值随机产生的初始聚类中心的方式提出最近邻K均值、极远邻K均值和自适应K均值3种优化算法。最近邻K均值是通过寻找多维空间下欧氏σ邻近点的方式确定K群;而极远邻K均值是极远σ邻判定确定法;自适应K均值是将数据集确定到矩阵中,对矩阵做归一化、二元化处理后,计算各向量间的相异度来修正确定初始中心点的加权欧氏距离。3种优化算法改善了原始K均值算法,提高了算法的稳定性和精确度,而且它们各自适用于不同的应用空间。

单调矩阵搜索算法设计与应用

本文提出了单调矩阵搜索问题一个统一的算法框架和实现策略 ,使得可在线性时间内求得矩阵搜索问题的解 ,并将此算法框架应用于设计凸多边形所有顶点最远邻点问题的高效算法 .

基于动态偏离份额模型的新疆产业结构及竞争力水平研究

新疆长期以来产业结构调整缓慢,产业结构内部失调,已成为制约新疆经济增长的重要因素。作为丝绸之路经济带的核心区域,研究新疆的产业结构及竞争力水平具有重要意义。文章在对新疆2010-2014年19个行业的产业结构和竞争力的动态偏离—份额分析的基础上进行最远邻元素聚类分析,实证结果基本符合新疆经济发展实际:新疆各个行业发展态势整体较好,但产业结构整体层次偏低。未来新疆应积极推进农业供给侧结构性改革,积极承接优质产业转移,大力发展第三产业。

最近最远得分的聚类性能评价指标

聚类算法是数据分析中广泛使用的方法之一,而类别数往往是决定聚类算法性能的关键。目前,大部分聚类算法需要预先给定类别数,在很多情况下,很难根据数据集的先验知识获得有效的类别数。因此,为了获得数据集的类别数,本文基于最近邻一致性和最远邻相异性的准则,提出了一种最近最远得分评价指标,并在此基础上提出了一种自动确定类别数的聚类算法。实验结果证明了所提评价指标在确定类别数时的有效性和可行性。

基于邻域互信息的高维时序数据特征选择

特征选择作为一种数据预处理方法,主要目的是消除冗余和不相关属性,保留性能显著的属性,从而提高模型精度且降低计算复杂度。传统的特征选择方法多基于截面数据,对于实际生活中大量存在的高维时序数据的研究较少。现有特征选择算法并未考虑属性间相互依赖的影响,导致分类性能下降。为此,提出基于邻域互信息的高维时序数据特征选择方法。构建时序信息系统,提出时序邻域关系,并引入该关系下的时序邻域熵、时序邻域联合熵、时序邻域互信息等信息度量。在最近最远邻特征选择算法(算法1)中引入高维时序数据,定义属性重要度,以确定分类性能较优的特征,通过引入累计重要度贡献率控制特征选择规模。设计最近最远邻邻域互信息特征选择算法(算法2),根据阈值得到分类能力强的初始特征集,进一步由时序邻域互信息定义属性冗余度,去除初始特征集中重要度最低、依赖程度最大的属性,得到最终特征子集。在UCR数据集上的实验结果表明,相比原始数据和所提算法1,所提算法2在最佳取值范围和分类精度上分别平均提升13.69%和6.70%,对于处理高维时序数据的特征选择具有一定的有效性和优越性。

F次弱Urysohn空间

给出了模糊次弱 Urysohn空间的概念 ,并系统地讨论了它的性质。