基于FC-KNN的C语言程序自动评分算法

针对当前C语言自动评分算法的不足,提出一种基于FC-KNN(Flow Control-KNN)的C语言程序自动评分算法。根据C语言程序的特点,设计一种基于流程控制结构的方法提取源码特征;在此基础上,将训练样本转换成含有标签的特征向量;然后使用K近邻算法根据提取的特征对测试程序进行分类,其归入的等级类别即为该程序的评分。初步的实验结果证实了FC-KNN评分算法与传统的静态评分算法相比,准确性更高。

基于CK-Hough联合算法的人体微多普勒频率估计

为了准确地从雷达回波信号中提取运动目标特定部位的微多普勒频率,本文提出一种新颖的CKHough算法,该算法有效地结合了聚类分析和K近邻-霍夫(KNN-Hough)算法。首先,通过短时傅里叶变换获取雷达回波信号的时频谱图;其次,利用自适应模糊C均值算法对时频图进行聚类分析,在这一过程中,本文采用数据预处理技术自适应调整聚类类别数c以适应多样化应用场景,从而获得人体各散射部位的频域范围,有效地抑制了分量间的相互干扰;第三,通过改进度量函数的K近邻算法增强相邻时刻聚类结果的相关性,拟合各部位的瞬时频率曲线;最后,采用霍夫变换动态调整度量函数中权值μ的取值,得到目标微多普勒频率的精确估计结果。研究结果表明:本文提出的CK-Hough提取了直/曲线行走场景下人类目标四肢的微多普勒频率;与传统的峰值搜索算法、线性预测维特比算法以及基于Bezier-Hough模型的频率拟合算法相比,本文提出的CK-Hough算法在直线行走实验场景下,总频率的估计误差率分别降低了40.40%、45.47%和26.16%;在曲线行走实验场景下,其估计误差率分别降低了58.35%、68.35%和41.65%。

基于模糊C-Means的改进型KNN分类算法

KNN算法是一种思想简单且容易实现的分类算法,但在训练集较大以及特征属性较多时候,其效率低、时间开销大.针对这一问题,论文提出了基于模糊C-means的改进型KNN分类算法,该算法在传统的KNN分类算法基础上引入了模糊C-means理论,通过对样本数据进行聚类处理,用形成的子簇代替该子簇所有的样本集,以减少训练集的数量,从而减少KNN分类过程的工作量、提高分类效率,使KNN算法更好地应用于数据挖掘.通过理论分析和实验结果表明,论文所提算法在面对较大数据时能有效提高算法的效率和精确性,满足处理数据的需求.

一种基于模糊C均值的新分类算法

以两种初始化类中心的选择算法为基础,对传统聚类算法模糊C均值算法进行改进,提出一种基于模糊C均值的新分类算法NFCM,解决了数据分类问题,并采用UCI上的标准数据集中多个常用数据集进行实验测试,实验结果表明,对于UCI上标准数据集的常用数据具有较好的分类结果.

基于改进KNN算法的风电功率实时预测研究

大规模风电并入电网将对电网的规划建设、分析控制以及电能质量等方面产生显著的影响,高精度的超短期风电功率预测可以对含大规模风电电力系统的安全调度和稳定运行提供可靠的依据。文章对风电功率的超短期预测方法进行了研究,以混沌理论为基础,对相空间重构参数进行了计算,提出了基于改进KNN(KNearest Neighbor)算法的风电功率实时预测方法,并且应用多个评价指标来对预测结果进行评价,以吉林西部某风电场实测数据为例,验证了模型的有效性。

一个高效的连续k近邻查询改进算法

连续k近邻查询是空间数据库一直以来的热点问题.但大多数研究成果都是在欧式空间上的.IMA?GMA算法是少有的几种基于道路网的连续k近邻查询算法之一,同时也是比较优秀的算法.但是IMA算法仍然存在不足之处.在针对IMA算法的不足进行充分讨论后,提出了内结构迭代变更法和数据对象树,分别弥补了IMA在数据更新频繁和扩展树生成时表现出的性能缺陷.内结构迭代变更法在数据更新后对扩展树内结构进行快速调整,避免了对树的大规模剪枝以提高扩展树的利用率,从而提高在数据频繁更新时的性能.数据对象树用于快速获取子树上所有数据对象的有序集合,以辅助新查询利用已有查询的扩展子树结构.理论分析和仿真实验都证明了改进的IMA算法比原IMA算法更能适应多种情况,性能表现更为优异.

KNN-FCM聚类算法在中文搜索引擎文本过滤中的应用

目前,大多数搜索引擎都是用相关度或page-rank或HITS(Hyperlink-Induced Topic Search)算法对匹配的结果进行排序,然后以列表的方式呈现给用户。事实表明:其索引质量不高,对所收集的信息缺乏有效的分类处理,用户面对成千上万的搜索结果无法一一查看,而真正符合需要的搜索结果常常因为排在后面而被漏检,返回的结果只有极少部分得到了用户的有效利用。文章提出运用基于K近邻的模糊C均值算法(以下简称KNN-FCM)对搜索引擎的初始结果进行自动聚类,系统再针对用户作出的适时反馈进行相应的输出调整,从而方便用户查找信息。

融合KNN优化的密度峰值和FCM聚类算法

针对模糊C均值(Fuzzy C-Means,FCM)聚类算法对初始聚类中心和噪声敏感、对边界样本聚类不够准确且易收敛于局部极小值等问题,提出了一种K邻近(KNN)优化的密度峰值(DPC)算法和FCM相结合的融合聚类算法(KDPC-FCM)。算法利用样本的K近邻信息定义样本局部密度,快速准确搜索样本的密度峰值点样本作为初始类簇中心,改善FCM聚类算法存在的不足,从而达到优化FCM聚类算法效果的目的。在多个UCI数据集、单个人造数据集、多种基准数据集和Geolife项目中的6个较大规模数据集上的实验结果表明,改进后的新算法与传统FCM算法、DSFCM算法对比,有着更好的抗噪性、聚类效果和更快的全局收敛速度,证明了新算法的可行性和有效性。

一种基于2DPCA和LDA的人脸表情识别算法

针对传统PCA和LDA方法计算量大、识别效果不理想的缺点,提出基于2DPCA和LDA的人脸表情识别新方法.首先,提取表情图像的Gabor特征;然后,使用2DPCA和LDA方法进行特征维数的缩减;最后,对每类表情进行C-Mean聚类,生成聚类模板并使用KNN方法进行分类识别.使用该方法,在公开的日本女人表情人脸库上实测达到了92.4%的识别率。

B/S+C/S架构和KNN算法的远程体温监护系统

提出了一种混合架构的实时体温监护平台系统。该系统由体温采集终端、网关、后台服务器和Android客户端APP组成。采集终端采用贴片式温度传感器阵列实现高精度的体温测量及设备的小型化。软件系统采用B/S+C/S混合架构设计,同时使用KNN分类算法对采集到的体温数据进行实时判别,实现对干扰数据的有效滤除。用户及监护人员可分别通过APP和浏览器客户端查看被监护人员的实时体温,实现了体温的远程在线监测和异常预警。

模糊C均值聚类与K近邻算法的故障检测研究

基于K近邻的故障检测(FD-KNN)算法可以有效处理非线性、多模态的故障检测问题,但在过程故障检测中存在故障类型多、测量变量复杂等缺陷。将模糊C均值聚类(FCM)和K近邻(KNN)相结合,提出一种新的故障检测方法FCM-KNN。该方法与传统算法相比较,故障检测率有明显的提升。首先,应用FCM聚类将多模态训练集按模态聚类,同时根据样本与各聚类中心的距离比例来得到样本对于每个聚类中心的隶属度;再根据隶属度来判断样本所属模态,进而在各个模态下完成基于KNN的故障检测。通过多模态仿真实例进一步验证该方法的有效性。该方法具有检测率高、漏报和误报率低等优点,可有效提高检测效果。

基于FCM-KNN的相干光环形QAM系统符号判决优化

针对高阶环形正交幅度调制(QAM)的相干光通信系统,提出了一种模糊C均值算法和K最近邻算法相结合的非线性均衡算法。对接收端经相位噪声补偿后的数据,先用FCM算法有效剪裁训练数据,同时对测试数据进行分类判决,从而极大降低了后续KNN算法的计算复杂度。即首先计算训练集的初始质心和各数据点的初始隶属度,经过迭代计算收敛后,得到最终的质心和各数据点的隶属度。然后将质心隶属度大于某阈值的测试数据点作为训练数据,计算各测试数据与各训练集质心的距离对其暂时分类,接下来进行KNN算法分类。同时对测试集进行分类判决,即对距该质心距离低于阈值的测试数据根据欧式距离直接判决,大于阈值的测试数据用以上KNN方法进行判决。该算法基于112 Gbit/s单载波单偏振相干检测环形16QAM单载波系统传输距离为1040 km进行了非线性均衡效果仿真验证。仿真结果表明,本文所提出的FCM-KNN算法可取得和KNN算法几乎相同的非线性均衡效果,而其复杂度比后者可降低近20倍,对高阶QAM相干光通信系统长距离传输具有重要意义。