一种改进的K近邻法在模式识别中的应用

针对传统K近邻法的缺陷,改进的K近邻法首先对训练样本进行聚类,将样本的特征空间划分成若干满足一定条件的小超球体,然后依据最近间隔值在这些小超球体内搜索待分类样本的K个近邻点.算法通过特征选取,选出反映样本模式重要信息的特征,从而确保了聚类的质量.同时K近邻算法中引入的最近间隔值,既确定了近邻点的搜索半径,又保障了搜索的准确性.通过实验证实,该方法不但节省时间,还有较高的识别率.

防接入点丢失的KNN室内定位算法

为了增强室内定位系统的鲁棒性提出了一种WLAN环境下防接入点丢失的室内定位算法。在K最近邻法的基础上根据信号空间畸变对接入点丢失情况进行实时检测并不断更新各接入点的丢失可能性,当检测到存在接入点丢失时对信号空间距离进行修正。实验结果表明,该算法可以在部分接入点丢失的条件下仍提供可靠的位置估计并在获取一定数量观测值后确定一个丢失接入点集合,为定位系统排除异常提供依据。

一种在入侵检测中发现异常的新方法

入侵检测是一种重要的网络安全技术 .现有的无监督方法虽然能在未经标记的数据上找出异常 ,但时间复杂度相对较高 ,不适用于入侵检测中大规模的数据集 .针对这一问题 ,提出了一种新的发现异常的无监督方法 ,通过使用聚类和K 近邻距离和技术 ,克服了原有方法的缺点 ,具有较低的时间复杂度和较高的入侵检测效率 .