基于量子K近邻分类算法的软件应用层接口数据分析方法

由于软件应用层接口数据的分布具有星散分布的特点,因此,分析数据判断接口状态时,对应的可靠性难以得到保障。为此,本文提出基于量子K近邻分类算法的软件应用层接口数据分析方法。将接口数据的特征映射到量子比特后,使用量子态编码具体的接口数据。在分析阶段,采用交叉验证的方式确定最佳K值,并选择曼哈顿距离作为衡量数据点之间相似性的基准,设置分类中心为软件应用层接口数据分析的目标状态参数,根据量子化软件应用层接口数据与状态分类中心的距离,完成数据分析。测试结果表明,设计方法对于软件应用层接口状态的分析结果与监测值具有较高的拟合度。

基于KNN算法在糖尿病预测中的应用

人工智能技术在海量医疗数据中,通过技术手段实现疾病预测,为辅助治疗提供重要依据。文章分析了机器分类算法KNN算法的流程,以及在糖尿病数据中的具体实例。通过划分糖尿病数据集,计算KNN算法中的K值,确定选取最佳k值,达到最优准确率。通过实验验证KNN算法在糖尿病数据集上,该模型进行糖尿病预测有效。

应用非线性KNN数据搜索的三维叠前自由表面多次波预测

自由表面多次波预测(SRMP)是自由表面多次波消除(SRME)以及成像的重要环节。SRME技术尽管有效,但理论上需要规则而密集的地震数据采集方式。然而实际炮点、检波点空间分布稀疏,地震数据不能满足SRME理论要求,常规的做法是在SRME之前将地震数据规则化。为了避免数据规则化环节,首先建立索引数据树管理三维叠前地震数据,并采用基于树形数据结构的非线性K近邻算法(KNN)从地震数据中实时搜索两道近似地震数据;然后利用动校—反动校消除实时搜索得到的近似地震道与实际地震道之间的旅行时误差;由以上两步获得单道孔径内任意向下反射点(DRP)所需要的两道地震数据用于SRMP。单道孔径内任意DRP均可由SRMP预测对应的多次波模型道,叠加所有DRP对应的预测结果可获得该道稳定的多次波模型数据。将该方法用于扩展的三维Pluto模型数据,结果表明该方法能有效预测三维自由表面多次波,从而保证高质量的自由表面多次波衰减结果。实际地震数据的应用证明了方法的实用性。

动态k近邻辅助多权值Slope One算法

为有效解决传统Slope One算法推荐精度低的问题,提出一种动态k近邻辅助多权值Slope One算法。结合k近邻的思想,对相似度计算方法改进,筛选大于相似度阈值的近邻用户集进行平均评分偏差计算,减少大量干扰评分数据带来的影响。使用用户相似度、用户综合信任度和项目相似度作为权值加权到评分预测当中,进一步提升推荐精度。将算法应用于MovieLens数据集,与几种算法进行对比,实验结果表明,改进的算法均优于其它几种算法,有效提高了推荐的质量。

基于改进KNN的不均衡信息文本分类算法

针对常规文本分类算法存在文本特征提取不全面的问题,提出基于改进K近邻(K-Nearest Neighbor,KNN)的不均衡信息文本分类算法。首先,通过文本分词与去停用词两个步骤,对不均衡信息文本进行预处理,避免无用数据对分类结果产生干扰。其次,利用互信息特征提取方法,提取不均衡信息文本特征,获取文本特征词与类别之间的相关程度。最后,利用改进KNN原理对待测不均衡信息文本数据进行邻近聚类,设计文本分类算法。实验结果表明,该算法的分类查准率始终在98%以上,优于对照组。

基于KNN算法的辛烷值损失预测模型

目前,汽油清洁化技术原理是在催化裂化汽油时使用加氢脱硫技术,以达到降低汽油辛烷值的目的,但对企业经济效益造成了不小的损失。为了减少企业损失,文章研究了汽油精制过程中降低汽油辛烷值损失的问题。运用低方差过滤法降维354个操作变量,保留29个主要变量,最后用K最邻近分类算法(K-Nearest Neighbor,KNN)算法建立了辛烷值损失预测模型。经实验验证,模型均方误差(Mean Square Error,MSE)值为0.036 7,可以证明模型的有效性。该模型可为辛烷值损失预测提供数据支撑,为汽油质量升级提供可靠依据。

基于KNN算法的文本自动分类方法研究——以学术期刊栏目自动归类为例

本文将期刊目录中按照主题设置的有关栏目(常设主题栏目)看作不同的类别,应用改进的KNN算法对属于不同类别(栏目)的期刊论文进行自动归类(归栏)处理。在分析期刊常设主题栏目特征的基础之上,从建立自动分类所需的训练文本集、测试集及分类(归栏)效果评价等多个方面加以定义,利用Jensen-shannon散度计算文本间的相似度,按照栏目动态决定k值等方面对KNN算法的基本原理加以改进。该方法以论文标题、摘要和作者关键词构成的短小文本为分类对象,对期刊常设主题栏目的自动归类(归栏)处理取得77.25%的F测度值,可以针对短小文本以及训练文本数量有限的情况下开展有效的文本自动分类处理。

离散型增强烟花算法和kNN在特征选择中的研究

特征选择是从原始特征集中选取特征子集,并且降低特征维度和减少冗余信息,从而达到提高分类准确度的效果。为了达到此效果,提出了新的特征选择算法。该算法使用经过离散化处理之后的增强烟花算法来搜索特征子集,同时将特征子集和经过惩罚因子处理之后约束条件融入到目标函数中,然后将搜索到的特征子集的数据放到kNN分类器进行训练和预测,最后使用十折交叉验证来检验分类的准确性。使用UCI数据进行仿真实验,仿真结果表明:与引导型烟花算法、烟花算法、蝙蝠算法、乌鸦算法、自适应粒子群算法相比,所提算法的总体性能优于其他五种算法。

基于改进KNN算法的交通流异常数据修复方法

交通流数据分析是交通规划、控制、管理等工作实施的基础;交通流数据异常会给交通状态辨识及交通管理和控制带来困扰,不利于交通领域各方面研究及工作的开展;因此,对异常数据进行修复具有必要性;为了提高交通流异常数据修复精度,进一步改善交通数据质量,构建了基于改进K近邻(K-Nearest Neighbor,KNN)算法的交通流异常数据修复模型;通过对KNN基础模型中k值和状态向量进行优选、提出距离占比的近邻值权重选取方式,实现对其模型的改进;为了验证模型的有效性,采用实测交通流数据进行实验分析;实验结果表明,改进的KNN数据修复模型具有更高的修复精度,其平均相对误差为9.88%,能够有效改善数据质量,为智能交通控制体系提供基础数据支持。

基于KNN算法的船舶操纵智能评估系统

为降低主观因素对船舶操纵评估结果的影响,提出一种基于K近邻(K-nearest neighbor,KNN)算法和多目标优化理论的船舶操纵智能评估模型。根据安全、平稳、高效的航行要求,建立这个模型的评价指标体系;采用变异系数法获得各评价指标的权重;根据评价指标提取对应特征值,构建未标记样本集;基于多目标优化理论建立评价指标目标函数,得到每个样本的成绩并排序,根据样本成绩构建标记样本集;利用KNN算法对待评估样本进行分类,得到本次操作的结果。利用C++语言开发船舶操纵智能评估系统,测试结果表明,系统评估结果与专家评估结果基本一致,能客观、准确实现船舶操纵自动评估。

基于BP神经网络决策的KNN改进算法

针对K近邻(KNN)算法中算法精度受K值选取影响较大的问题,提出了一种使用BP神经网络来优化KNN算法的改进算法来降低K值选取对算法精度的影响同时提高K近邻算法的准确率。所提改进算法主要是使用BP神经网络对K近邻算法分类完成后的结果进行改进优化。首先,通过对训练样本使用K值不同的K近邻算法进行初步分类,同一数据会得到多个不同的初步分类结果集;然后将初步分类结果集作为BP神经网络的输入,再对BP神经网络进行训练分类。在多个数据集上的实验表明,基于BP神经网络决策的K近邻改进算法降低了K值对算法精度的影响,同时极大地提高了分类的准确率。

基于KNN算法的配电网单相接地故障选线研究

小电流接地系统单相接地故障选线是配电网领域的一个难题,针对传统的采用单一判据的故障选线方案适用性差、选线精度低的问题,提出了一种基于K近邻(K-nearest-neighbor,KNN)算法的多源信息融合的单相接地故障选线方法,通过对故障数据处理选取故障特征量,结合KNN算法进行故障线路选线.算例仿真研究表明,该选线方法与逻辑回归算法、BP神经网络算法相比,在获得较高的准确率的同时可缩短选线时间,具有较好的应用前景.

应用局部样本最优K值KNN模型估测森林蓄积量

为了探究KNN算法(K-最近邻法)的优化方法及Landsat8 OLI在森林蓄积量估测中的应用潜力。以陕西省留坝县为研究区,采用Landsat8 OLI为遥感数据源并结合同时期的森林资源调查数据,构建多元线性回归(MLR)、K-最近邻(KNN)、随机森林(RF)、距离加权K-最近邻(DW-KNN)和局部样本最优K值KNN(LSO-KNN)模型进行森林蓄积量的遥感估测。随机抽取总样本的2/3用于训练模型,1/3用于模型的检验,并以决定系数(R^(2))、均方根误差(R_(MSE))和相对均方根误差(R_(RMSE))作为精度的检验指标对模型进行评价。结果表明:(1)在构建的5种森林蓄积量反演模型中,4种机器学习模型均高于MLR模型;(2)基于局部样本最佳K值构建的LSO-KNN模型估测结果最佳,其决定系数为0.72,均方根误差为39.58 m^(3)/hm^(2),相对均方根误差为28.68%,均方根误差比MLR、KNN、RF和DW-KNN模型分别降低了30.89%、27.24%、24.23%和18.14%,说明LSO-KNN模型相比于其他模型更适用于森林蓄积量的估测。因此,根据Landsat8 OLI数据的LSO-KNN模型绘制的森林蓄积量空间分布符合实际,可以满足森林资源调查的要求和实现大尺度、长时间的森林资源动态监测。

KNN算法综述

KNN算法是非常有效和容易完成的,是最好的文本分类算法之一,在机器学习分类算法中占有相当大的位置,是最简略的机器学习算法之一。它用于分类、回归和模式识别等。

使用GPU实现快速K近邻搜索算法

CUDA(Compute Unified Device Architecture,计算统一设备架构),是由NVIDIA开发的并行运算架构,它基于C语言的接口,提供了利用GPU进行高性能并行计算的方法。本文基于CUDA计算平台,对K近邻算法(KNN算法)的快速实现进行了研究,实验表明,利用NVIDIA GeForce 8800 GTX显示芯片实现的KNN搜索算法比在Pentium 43.4 GHz的CPU上的实现速度提高了120倍。

核K近邻分类算法在基因表达式编程中的应用

本文提出了一种新的核k 近邻分类算法（GEPKNN）.主要内容是在基因表达式编程中,依靠GEP 搜索复杂表达式空间方面的优势,为核KNN 自动构造与数据相关的核函数,以减小人工选择核函数的主观性,达到提升核KNN 分类性能的目的.该算法优于传统核KNN 算法,结构简单,分类速度快并且在高维空间上仍然保持较好的分类性能.

一种改进的K值最近邻自动分类方法

K值最近邻法是常用的一种自动分类算法。当待分类文本与样本集中多个决策样本的距离相等的时候,固定的K值取法不能充分利用样本集,给分类结果带来一定的随机性,影响了自动分类的准确性。本文通过对K值最近邻算法的原理进行深入分析,提出了一种K值动态选取的方案,使得K值最近邻算法的分类准确性有了显著的提高。

基于赋权KNN-LSTM模型的PM_(2.5)质量浓度预测

在空气污染指数的监测中,传统单项预测方法不能反映PM_(2.5)质量浓度与复杂因素的非线性关系,文章提出一种基于赋权K近邻(K-nearest neighbor,KNN)算法的长短期记忆(long short-term memory,LSTM)神经网络模型来预测PM_(2.5)质量浓度。首先利用相关性分析提取与PM_(2.5)相关性较大的空间因素,并对每个时间节点选取K个近邻,赋予相应权重来表现不同的影响力度;然后通过重构原始数据K倍维度的新数据集,进行LSTM神经网络模型的监督学习训练,提取时间序列的特征和固有的长期依赖关系,最后实现PM_(2.5)日值质量浓度不同未来时刻的预测。实验结果表明,文中提出的赋权KNN-LSTM预测模型具有可行性和有效性,和其他模型相比,表现出较高精度的预测性能。

基于标准欧氏距离的燃油流量缺失数据填补算法

为减小数据缺失对飞机油耗统计推断精度带来的负面影响,针对基于传统欧氏距离、马氏距离以及精简关联度的最近邻填补算法的不足,提出了一种基于标准欧氏距离的填补算法来估计QAR(Quick Access Recorder)数据中部分燃油流量数值的缺失。该算法通过QAR数据样本之间的标准欧氏距离选择最近邻样本,并利用熵值赋权法计算最近邻的加权系数,基于最近邻样本中燃油流量的加权平均即可得到缺失燃油流量的估计值。实验结果表明,标准欧氏距离能够有效度量样本相似性,所提出的算法优于常规填补算法,是处理飞机油耗数据缺失的一种有效方法。

基于自适应K值选择的K近邻算法研究

针对室内定位中基于位置指纹的K近邻法采用固态K值无法得到最优定位结果的问题,提出自适应K值选择的K近邻法。算法利用相邻定位点短时间间隔内空间位置变化引起的信号强度变化规律推测运动趋势,并与不同K值的定位结果构建的空间矢量进行匹配,从而自适应地从K近邻法的不同K值中选取最优的K值。同时依据室内AP的几何布局特征划分多个矢量域内,并对定位结果进行区域改正。试验结果表明,该算法能够很好地抑制较大误差的出现,提高定位的实时性、定位精度和稳定性。