基于Voronoi图的路网k聚集最近邻居节点查询方法

道路网络中的k最近邻居节点(k-NN)查询及其变种越来越受到研究者们的关注.其中,k聚集最近邻居节点(k-ANN)查询能为多个查询点返回聚集距离最小的前k个被查对象,因此具有较高的研究价值及广阔的应用前景.目前解决该查询问题的主要方法是根据A*算法在路网上通过逐步扩展来搜寻结果,这样会导致响应时间很长,不能满足用户的需求.利用基于Voronoi图的路网可以提供解决这种查询的一种新方法.该方法利用Voronoi图预计算的优势,极大提高了用户的查询效率.实验结果表明提出的方法很大程度上减少了用户的响应时间和页面访问量.

道路网络中k路径最近邻居针对两种目标点的应用

提出一种道路网络中针对两种不同类型目标点的k组路径最近邻居查询,这是一种新的查询:给出用户希望到达的终点位置以及两组目标点集合,这种查询返回连接用户当前位置和终点位置的最短路径,以及相对于这条最短路径的k组路径最近邻居,每组包含两个不同类型的目标点,将这种查询命名为k-PNNT.提出了一种典型的过滤-精炼算法得到k-PNNT及对应的最短路径,并且在实际道路网络中进行了实验.实验证明,算法可行,有效.

用于不均衡数据集分类的KNN算法

针对KNN在处理不均衡数据集时,少数类分类精度不高的问题,提出了一种改进的算法G-KNN。该算法对少数类样本使用交叉算子和变异算子生成部分新的少数类样本,若新生成的少数类样本到父代样本的欧几里德距离小于父代少数类之间的最大距离,则认为是有效样本,并把这类样本加入到下轮产生少数类的过程中。在UCI数据集上进行测试,实验结果表明,该方法与KNN算法中应用随机抽样相比,在提高少数类的分类精度方面取得了较好的效果。

基于自然邻居和最小生成树的原型选择算法

K最近邻居是最流行的有监督分类算法之一。然而,传统的K最近邻居有两个主要的问题:参数K的选择以及在大规模数据集下过高的时间和空间复杂度需求。为了解决这些问题,提出了一种新的原型选择算法,它保留了一些对分类贡献很大的关键原型点,同时移除噪声点和大多数对分类贡献较小的点。不同于其他原型选择算法,该算法使用了自然邻居这个新的邻居概念来做数据预处理,然后基于设定的终止条件构建若干个最小生成树。基于最小生成树,保留边界原型,同时生成一些具有代表性的内部原型。基于UCI基准数据集进行实验,结果表明提出的算法有效地约简了原型的数量,同时保持了与传统KNN相同水平的分类准确率;而且,该算法在分类准确率和原型保留率上优于其他原型选择算法。

基于核模糊C均值指纹库管理的WIFI室内定位方法

针对目前已有的基于指纹的WIFI室内定位指纹库的管理方法对野值和噪声的敏感性,提出一种基于核模糊C均值聚类的指纹库管理的室内定位方法.利用核函数将指纹库从低维空间映射到高维空间并结合模糊聚类方法在高维空间进行指纹库管理,并在管理后的指纹库上进行定位匹配.将指纹库映射到高维空间可以使指纹库中的数据线性可分,从而实现更好的聚类.核模糊C均值(KFCM-Ⅱ)的聚类鲁棒性能够降低聚类对噪声和野值的敏感性,从而保证系统的鲁棒性.在实测数据的实验中,将所提出的方法与基于K均值聚类和基于模糊C均值聚类的室内定位方法进行对比,实验结果表明,所提出的方法相较于K均值方法和模糊C均值方法聚类准确度分别提高了14.20%和10.58%,定位精度分别提高了26.98%和20.43%.

话题跟踪方法的研究

话题跟踪旨在实现对新闻媒体信息流中已知话题的动态跟踪。在现有的向量空间模型分类算法的基础上,提出一种基于话题更新的话题跟踪算法,通过实验对其进行评价。

基于Web的公钥基础设施优化与实现

基于实践,针对传统公钥基础设施的不足,引入XKMS的技术优点,采用Web Service技术对外发布XKMS服务,从而把PKI的复杂性从客户端转移到XKMS服务端,屏蔽了PKI底层的实现过程,降低了部署实施PKI的复杂度。同时,针对传统PKI存在的数据传输安全隐患,应用KNN算法提出了缓存分级加密机制,解决了数据在传输缓存中以明文方式存储的安全隐患。

土壤属性数据pH缺失的插补方法

土壤分析研究中属性数据缺失的现象时常发生,为了提高研究结果的可靠性,有必要对土壤属性数据的缺失值插补方法进行研究.从数据挖掘的角度利用多种缺失值处理方法来对缺失值进行插补,以中国主要农田生态系统土壤养分数据库的pH属性为研究对象,并且从真实值和插补值的拟合优度和插补误差两个方面评估各个方法在不同缺失率的数据集上的表现.结果表明,对比其他方法,如多元回归、SVM、神经网络,采用最优参数的KNN和随机森林插补方法对土壤属性数据pH进行插补是有效可行的.KNN和随机森林在不同缺失率的数据集上插补缺失数据pH的MAE、RMSE和R^2的均值分别为0.132和0.131,0.174和0.178,0.775和0.765.

离群数据的挖掘方法研究

离群数据的挖掘是数据挖掘的一个重要部分 ,本文介绍了几个重要的离群数据挖掘方法 ,给出了一个新的基于距离的离群数据发现方法 :第 k个最近邻居法 ;其主要思想是 。

蜂窝移动网络数据用量预测方法探析

目前,蜂窝移动网络数据用量预测技术与方法上,主要采用统计和深度学习方法,由于用户的蜂窝移动网络数据用量变异较大,所以将可能有较大的蜂窝移动网络数据用量估计误差。因此,本文研究提出一套蜂窝移动网络数据用量预测方法,分析目标客户前几个周期的蜂窝移动网络数据用量集合,预测目标客户下一周期的蜂窝移动网络数据用量,并可依估计的蜂窝移动网络数据用量提供营销信息予客户,增加客户对蜂窝移动网络数据用量的购买量,降低客户费率,增加移动网络运营商收入,建立双赢。在实验中,本研究取得7月份56万个用户记录进行分析,并与传统预测方法进行比较,证实此方法确实较为优越,且平均正确率可达87.97%。

一种基于评分时间差的协同过滤算法

基于用户的协同过滤算法(User CF)是推荐系统中最基本、最经典的算法之一,该算法在实际生活中得到广泛应用,但是传统的User CF算法在计算用户相似性时没有考虑用户评分行为产生的时间这一重要信息,这导致寻找到的K最近邻居集可能不是最准确的最近邻居。针对这个问题,提出一种基于评分时间差的协同过滤算法,该算法按照用户评分行为的时间差值给予每个评分值一个不同的权重,然后利用加权后的评分值计算用户的相似性,从而更准确地找到目标用户的K最近邻居。实验表明,与传统的User CF算法相比,改进后的User CF算法能够提高推荐系统的推荐质量。