基于非参数分类k最邻近节点算法的多维放射诊断数据评价(英文)

目的 k最近邻节点算法(k-nearest neighbor algorithm,kNN)可以将复杂的医疗信息集合成临床诊断信息(比如确定良性或恶性病变)。该研究旨在分析kNN算法应用于大量临床数据集时的AUC(ROC曲线下面积)。材料与方法该研究经IRB批准,且实验选取了543例经病理证实为乳腺病灶的MR图像进行分析,所有的病灶由两名经验丰富的放射科医师用现有的描述方法进行前瞻性评估。kNN算法应用于诊断恶性与良性病变的步骤如下:首先,用递归特征消除来确定单个特征描述的重要性,将其按照重要性排列。然后,采取多类别描述方法的策略,将对照组分为4组:top-3、top-7、top-12和top-18组,相应的特征描述作为kNN算法的输入向量。最后,用kNN算法对四组数据处理,对结果进行量化,比较各组数据的AUC(为了尽量消除数据模型和测试数据的偏差,运用了4倍交叉验证)。病理组织学显示,实验数据组共有196个良性病变和347个恶性病变。结果测得最高的AUC为0.940(用top-18描述)。如果用top-12来描述,AUC降为0.928(P=0.23)。减少特征描述输入向量的维数会显著降低(P<0.05)kNN算法的AUC("top-7":AUC=0.895;"top-3":AUC=0.816)。结论 kNN对预测恶性肿瘤的精确度较高(AUC为0.940),由于这种描述方法对n≥12是有效的,说明kNN算法对多维数据的评估更加有效。

通过确定邻近区域改进KNN文本分类

文本分类技术已经成为处理和组织文本信息的关键技术之一。KNN算法是文本分类中一种实用的方法。它在每次分类的过程中都要计算测试集中未标记文本与训练集合中所有样本的相似度(距离),然后通过排序来找到K个最近邻样本,耗时较长,不利于Web上实时在线分类等应用。提出了一种确定邻近区域来加快搜寻K个最近邻的方法。试验证明,改进后的KNN算法较经典KNN算法在分类过程中速度有所提升,并且当训练文本数量增加时,在分类时间上表现相对更稳定。

基于KNN图层区分的优化式着色算法

针对灰度图像彩色化技术应用于彩色图像二次着色时往往忽略掉原始图像所带的色彩信息的问题,提出了一种基于KNN图层区分的优化式着色算法。与现有的优化式着色方法相比,该方法一方面采用基于KNN的图像前背景区分算法获得图层区分的图像,生成新的权值函数;另一方面将图层区分结果引入优化式着色方法,并对图像着色。实验结果表明,算法能有效解决物体边界处发生颜色渗漏的问题,得到颜色分布精确的图像。在相同输入前提下,算法可以得到更好的着色结果。

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。

基于灰色关联分析的传感器节点连通算法

为了解决传统传感器连通算法难以完全剔除连通干扰因子,导致节点连通性较差,提出将灰色关联分析方法应用在传感器节点连通算法设计中。采集传感器节点信息,确定各个节点之间的灰度关联关系,通过序列因子之间的极差转化剔除序列中的连通干扰因子。采用K邻近搜索算法获得特征点附近邻域点,并凭借特征向量与特征值建造局部节点连通范围平面。最后提取节点连通点与线的特征,利用矩形节点连通区域进行分割,从而实现传感器节点的高效连通。仿真分析结果表明,与传统连通算法相比,提出的算法能够降低节点跳数,并能够保持较高连通率与连通稳定性。因此,说明提出的算法能够全方面提高节点连通性能。

基于KNN和自适应的过采样方法

针对少数类合成过采样技术(Synthetic Minority Oversampling Technique,SMOTE)及其改进算法在不平衡数据分类问题中分类效果不佳,提出了基于K最邻近算法(K-NearestNeighbor,KNN)和自适应的过采样方法(Oversampling Method Based on KNN and Adaptive,KAO)。首先,利用KNN去除噪声样本;其次,根据少数类样本K近邻样本中多数类样本数,自适应给少数类样本分配过采样权重;最后,利用新的插值方式生成新样本平衡数据集。在KEEL公开的数据集上进行实验,将提出的KAO算法与SMOTE及其改进算法进行对比,在F1值和g-mean上都有所提升。

像素归一化方法在恶意代码可视分析中的应用

恶意代码的编写者通常采用自动化的手段开发恶意代码变种,使得恶意代码的数量呈现迅猛增长的态势。由于自动化的方式会重复利用恶意代码中的核心模块,因此也为病毒研究人员辨识和区分恶意代码族提供了有利依据。借鉴灰度图的思想,利用K-Nearest Neighbor(KNN)分类算法,给出了一种新的研究恶意代码谱系分类的可视化方法。其基本思想是,通过将二进制文件转换成双色通道的位图和像素归一图,从可视化的角度标识恶意样本特性,以此实现恶意代码族的相似度比较及分类。实验结果表明采用了像素归一化的降维映射机制能显著地减小文件可视特征的呈现时间开销,且该方法以自动化操作的方式运用Jaccard距离算法进行快速相似度比较,实现了恶意代码样本的有效分类,提高了分析人员的识别效率。

基于颜色和深度信息融合的目标识别方法

传统的机器视觉采用二维RGB图像,难以满足三维视觉检测的要求,深度图像能直接反映物体表面的三维特征,正逐渐受到重视。该文提出的方案将RGB和深度信息相结合,分割出物体所在区域,并利用梯度方向直方图(HOG,histograms of oriented gradients)分别提取RGB图像和深度图像特征信息。在分类算法上,该文采用k最邻近节点算法(k-NN)对特征进行筛选,识别出目标物体。试验结果表明,综合利用深度信息和RGB信息,识别准确率很高,此方案能够对物体和手势进行很好识别。

金融文本特征挖掘及动态融合因子策略研究

目前的金融文本分析受到非规范性金融文本的局限性,所提取的金融特征有效性不足。为解决这一问题,提出了以券商研究报告为研究对象的规范性金融文本特征挖掘模型(normative finanical text feature mining,NFTFM),通过构建规范性金融情感词典(normative finanical text sentiment dictionary,NFTSD)充分挖掘券商报告语义,并采用K邻近算法(K-nearest neighbor,KNN)实现报告作者评价态度分类,将态度分类结果按照时序维度整合为评价一致性因子(rate volatility,RC)和评价特征因子(rate consistency,RV)两类金融特征因子;针对传统量化多因子模型的因子权重无法自适应市场变化的问题,提出动态优化的融合因子策略,通过遗传算法动态优化因子权重。为验证规范性金融特征因子的有效性以及动态优化融合因子策略的效果,以RC、RV因子为基础因子集合,针对中证500股票构建多因子策略实例并展开历史周期回测。结果表明,策略收益相比于基准收益有明显提升,且对于不同的市场环境都具有较好的适应能力,表明NFTFM模型有效地提取了规范性金融特征因子,且动态优化的融合因子策略下的各类因子具有自适应市场变化的能力。

基于无人机航测的滑坡稳定性动态分析

为改善人工进行区域地质灾害隐患排查工作现状,使用无人机倾斜摄影测量技术更易实现对地质灾害隐患点的地形地貌勘测,降低人员作业风险。本文基于无人机倾斜摄影技术,进行地质灾害隐患点地形地貌勘测数据的获取工作,使用一种面向无人机影像数据识别方法,分类过程使用K最邻近算法(KNN)实现对滑坡影像边界微形变的进行分类提取,并依据无人机建模结果构建流固耦合分析模型实现对隐患点稳定性的动态评估工作,以某滑坡实测数据为例验证了基于近景摄影测量进行面向对象的提取技术的实用性,证明了无人机航测在地质灾害隐患早期识别形变与动态监测上具有较大的应用价值。

基于数据深度挖掘的高校图书馆服务系统优化设计

针对传统高校图书馆服务系统存在的信息融合能力差、馆藏资源与现实效能失衡、处理个性化需求失效等问题,提出了一种基于数据深度挖掘的高校图书馆服务系统。通过构建基于用户兴趣的MongoDB数据库,引入K最邻近(K Nearest Neighbor,KNN)算法创建读者信息需求模型,在仿真环境下验证了系统效能。实验结果表明,本系统能够全方位实现高校图书馆服务,在信息处理、服务适应、模型耦合等方面具有显著优势,为用户带来更好产品与空间体验的同时推动了人与人交流,促进了知识传播。