基于组合加权k近邻分类的无线传感网络节点复制攻击检测方法

无线传感网络节点体积小,隐蔽性强,节点复制攻击检测的难度较大,为此提出一种基于组合加权k近邻分类的无线传感网络节点复制攻击检测方法。通过信标节点的空间位置数据与相距跳数得出各节点之间的相似程度,结合高斯径向基核函数求解未知节点的横轴、纵轴的空间坐标,确定各网络节点的空间位置;根据网络节点的属性特征与投票机制建立节点复制攻击模型,凭借组合加权k近邻分类法划分节点类型,并将结果传送至簇头节点,由簇头节点做出最后的仲裁,识别出节点复制攻击行为。仿真结果表明,所提方法的节点复制攻击检测率最大值为99.5%,最小值为97.9%,对节点复制攻击检测的耗时为5.41 s,通信开销数据包数量最大值为209个,最小值为81个。

基于非线性定向降维的k近邻致密砂岩储层含气性预测方法

本文提出利用全连接人工神经网络(FANN)进行非线性定向降维并结合k近邻方法分类的致密砂岩储层含气性预测方法。k近邻方法能够依据样本间相似性,针对性地选取对应的部分训练样本建立局部模型,但缺乏含气敏感属性的提取能力,并面临“维度灾难”问题。由于样本中的含气性特征虽然是重要特征,但不一定是主要特征。线性降维方法难以准确提取这些特征。我们通过训练一个合理搭建的FANN并输出其中间低维特征实现对训练样本和待预测样本的非线性定向降维。这种做法既能够增加样本的可分性,同时避免了通过样本低维空间中的最大差异实现降维而改变样本固有分布特征的问题。另外,k近邻方法对降维数据进行分类,还等效于用k近邻方法替代FANN中具有线性分类作用的深层结构,有利于白化FANN的黑箱问题。本方法在具体的物理场景中挖掘机器学习算法的物理内涵,提高了智能方法的可解释性。将本方法应用在实际数据中,预测结果显示本方法能够一定程度上挖掘局部波形属性中蕴含的含气敏感信息,实现小范围的致密砂岩储层精确刻画。

基于函数型k近邻分类模型的PM2.5研究

文章利用函数型数据分析方法,选取每天24 h的温度数据作为一条独立的曲线样本,并在该基础上建立函数型k近邻分类模型,用以对当天的24 h平均PM_(2.5)质量浓度进行分类判别。分别选取二次型核函数、指数型核函数、三角型核函数建立k近邻分类模型,并对其结果进行分析,通过对比发现,利用三角型核函数的k近邻分类模型对PM_(2.5)质量浓度进行分类的准确性最高且最稳健。采用NW(Nadaraya-Watson)核方法与k近邻分类模型进行比较分析,结果表明,k近邻分类模型能有效提高分类的准确率。

融合动态K近邻Slope_One的协同过滤推荐算法

传统协同过滤推荐算法存在数据稀疏的问题,这会导致算法精确度不足。Slope_One算法简单高效,可以预测用户对某个物品的评分。因此,论文提出融合动态K近邻Slope_One的协同过滤推荐算法,提高推荐算法的精确度。首先利用改进余弦相似度公式计算用户相似度,筛选出K个近邻用户进行平均评分偏差计算,利用Slope_One算法预测相应的用户评分并对评分矩阵进行有效填充,然后在新的评分矩阵上,利用基于物品的协同过滤算法进行推荐。

基于改进KNN近邻实体的知识图谱嵌入模型

为了更好地表示邻居节点数量较少的罕见实体,提出基于近邻实体的知识图谱嵌入模型NNKGE,使用K近邻算法获得目标实体的近邻实体作为扩展信息,并在此基础上提出RNNKGE模型,使用改进的K近邻算法获得目标实体在关系上的近邻实体,通过图记忆网络对其编码生成增强的实体表示。通过对公共数据集上实验结果的分析,以上两个模型在仅使用近邻节点的情况下均实现了对基准模型(CoNE)的性能超越,缓解了数据稀疏问题并改善了知识表示性能。

基于相互K近邻的密度峰值聚类算法

密度峰值聚类是一种原理简单、运行高效的聚类算法,但其存在密度定义方式不统一、聚类中心选择容易出错和样本分配可能产生“多米诺”现象等问题。针对上述问题,提出一种基于相互K近邻的密度峰值聚类算法(MKDPC)。首先,基于样本的相互K近邻定义一种改进的局部密度,统一了DPC算法密度定义方式,能够有效避免变密度数据集聚类中心选择出错的问题;其次,基于相互K近邻定义了样本间的共享相互K近邻和相似度,进而提出一种样本多步分配策略,该策略可以有效克服样本分配过程中的“多米诺”现象。在人工数据集和真实数据集上进行实验,并将MKDPC算法与其他4种算法进行比较,验证了所提MKDPC算法的有效性。

基于K近邻算法的主机异常行为检测

基于主机异常的入侵检测方法可以识别用户操作是否存在异常,从而提醒用户进行处理以保证系统安全。为了能够快速高效地识别用户操作异常,文章提出了基于K近邻算法的主机异常检测方法。该方法首先在特征提取过程中使用自然语言处理的算法来提取特征向量,然后采用主成分分析算法进行降维处理,接着使用K近邻算法学习主机的正常操作和异常操作的相关特征,建立检测模型,最后使用学习后建立的模型来判断主机是否存在异常操作。该方法采用澳大利亚国防学院的ADFA-LD数据集进行实验,验证了所提出方法性能良好。

融合模糊K近邻及证据理论的变压器油纸绝缘状态评估方法

为实现“双碳”目标,构建新型电力系统已成为电网发展的必然趋势。在此背景下,保障电力变压器的可靠运行具有重要意义。鉴于此,提出融合模糊K近邻(fuzzy K-nearest neighbor,FKNN)及证据理论的变压器油纸绝缘状态评估方法。首先,构建基于回复电压法的多特征参量数据库,并基于数据库提出证据的基本概率分配方法。而后,采用组合赋权法综合特征参量的主观权重及客观权重,同时藉由证据折扣因子对证据基本概率进行再分配,避免D-S证据理论的冲突问题。最终,对各证据进行融合推理,获得绝缘状态命题的置信水平。利用提出的方法对变压器实测数据进行验证。结果表明,绝缘状态的置信分布式结果不仅能够准确反映变压器油纸绝缘状态,也能表征出变压器油纸绝缘的劣化趋势,为电力变压器检修策略制定提供了指导。

一种基于维度加权盲K近邻算法的数字预失真技术

传统的数字预失真(DPD)模型通常在所有的输入信号功率上采用单一多项式模型和单一记忆深度对功率放大器(PA)进行线性化矫正。然而,功率放大器在不同的功率水平下会呈现出不同的非线性特性,并产生不同的记忆效应。针对这一问题,该文提出一种基于维度加权盲K近邻(KNN)算法的数字预失真模型,所提模型根据功放当前输入信号以及记忆输入信号的幅度进行维度加权的KNN分类,组成维度加权盲KNN记忆多项式(WKMP)模型,并为每一类输入信号序列建立子模型。所提方法用Doherty功率放大器进行实验验证,使用带宽为30 MHz、频点为2.2 GHz的3载波长期演进(LTE)信号作为输入,反馈端使用122.88 MHz的采样率进行采样。实验结果表明,所提维度加权盲KNN分类方法与记忆多项式(MP)模型结合时,功放正向建模效果和数字预失真效果均超过了广义记忆多项式(GMP)模型,并远超记忆多项式模型的效果,实验结果验证了所提模型的优良性能。

基于代表点与K近邻的密度峰值聚类算法

密度峰值聚类(density peaks clustering,DPC)是一种基于密度的聚类算法,该算法可以直观地确定类簇数量,识别任意形状的类簇,并且自动检测、排除异常点.然而,DPC仍存在些许不足:一方面,DPC算法仅考虑全局分布,在类簇密度差距较大的数据集聚类效果较差;另一方面,DPC中点的分配策略容易导致“多米诺效应”.为此,基于代表点(representative points)与K近邻(K-nearest neighbors,KNN)提出了RKNN-DPC算法.首先,构造了K近邻密度,再引入代表点刻画样本的全局分布,提出了新的局部密度;然后,利用样本的K近邻信息,提出一种加权的K近邻分配策略以缓解“多米诺效应”;最后,在人工数据集和真实数据集上与5种聚类算法进行了对比实验,实验结果表明,所提出的RKNN-DPC可以更准确地识别类簇中心并且获得更好的聚类结果.

基于自适应k近邻的时间序列异常模式识别

时间序列作为数据的典型代表,被广泛应用于许多研究领域.时间序列异常模式代表了一种特殊情况的出现,在许多领域都具有重要意义.现有的时间序列异常模式识别算法大多只是单纯检测异常子序列,忽略了异常子序列的类别区分问题,且许多参数都需要人为设置.为此提出了一种基于自适应k近邻的异常模式识别算法(anomaly pattern recognitionalgorithm based on adaptive k nearest neighbor,APAKN).首先,确定各子序列的自适应k近邻值,引入自适应距离比计算子序列的相对密度,确定异常分数;然后提出一种基于最小方差的自适应阈值方法确定异常阈值,检测出所有异常子序列;最后,对异常子序列进行聚类,所得聚类中心即为具有不同变化趋势的异常模式.整个算法过程在无需设置任何参数的情况下,不仅解决了密度不平衡问题,还精简了传统基于密度异常子序列检测算法的步骤,实现良好的异常模式识别效果.在时间序列数据集合UCR的10个数据集上的实验结果表明,提出算法在无需设置参数的情况下,在异常子序列检测和异常子序列聚类问题中都表现良好.

用于雷达信号分选的连通k近邻聚类算法

为了能够在密集且复杂多变的信号环境中进行实时有效的信号分选,需要一种具有较低复杂度且能够根据信号环境自动调整参数的聚类方法。在模糊聚类算法的基础上结合k近邻搜索,将λ邻域范围搜索变为λ邻域内k近邻搜索,提出了连通k近邻聚类(connected k-nearest neighbor clustering,CkNNC)算法。相比模糊聚类算法,所提算法时间复杂度降低而空间复杂度稍有增加。为使得该算法能够根据信号环境自动进行参数调整,提出了基于k距离图的阈值参数确定方法。所提算法具有时间复杂度低与阈值参数自动确定的特点,仿真结果表明所提算法与使用Calinski-Harabasz指标确定最佳阈值的低复杂度模糊聚类算法相比,分选效果差距不大、性能相近,而时间复杂度大幅下降。

基于服务相似性的隐私保护k近邻查询方法

如何同时保护用户的位置和查询隐私而又不妨碍服务质量和增加系统处理开销是当前位置服务隐私保护系统面临的一个重要挑战.为了解决这一挑战,基于位置查询的服务相似特性和Paillier密码系统的同态特性,提出了一种能同时保护位置隐私和查询隐私的k近邻查询方法,实现不依赖可信第三方便可实现用户位置和查询内容的隐私保护以及兴趣点的精确查询;同时,通过构造服务相似地图生成扰动位置,解决已有方法查询处理开销大的问题,并保证查询结果的准确性.利用真实数据集从查询准确性和系统开销等方面对所提方法进行了实验验证.实验结果与安全性分析表明:和已有方法相比,所提出的方法在兼顾位置和查询隐私保护的同时,有效地保证了服务质量,降低了系统处理开销.

面向移动对象连续k近邻查询的双层索引结构

移动对象连续k近邻(CKNN)查询是指给定一个连续移动的对象集合,对于任意一个k近邻查询q,实时计算查询q的k近邻并在查询有效时间内对查询结果进行实时更新.现实生活中,交通出行、社交网络、电子商务等领域许多基于位置的应用服务都涉及移动对象连续k近邻查询这一基础问题.已有研究工作解决连续k近邻查询问题时,大多需要通过多次迭代确定一个包含k近邻的查询范围,而每次迭代需要根据移动对象的位置计算当前查询范围内移动对象的数量,整个迭代过程的计算代价占查询代价的很大部分.为此,提出了一种基于网络索引和混合高斯函数移动对象分布密度的双重索引结构(grid GMM index,GGI),并设计了移动对象连续k近邻增量查询算法(incremental search for continuous k nearest neighbors,IS-CKNN).GGI索引结构的底层采用网格索引对海量移动对象进行维护,上层构建混合高斯模型模拟移动对象在二维空间中的分布.对于给定的k近邻查询q,IS-CKNN算法能够基于混合高斯模型直接确定一个包含q的k近邻的查询区域,减少了已有算法求解该区域的多次迭代过程;当移动对象和查询q位置发生变化时,进一步提出一种高效的增量查询策略,能够最大限度地利用已有查询结果减少当前查询的计算量.最后,在滴滴成都网约车数据集以及两个模拟数据集上进行大量实验,充分验证了算法的性能.

基于自适应时序窗口加权k近邻的故障检测方法

为了解决在工业生产过程中时序和多阶段的问题,提出了一种基于正交局部保持投影(OLPP)和自适应时序窗口加权k近邻(ATSWKNN)的故障检测方法。首先,采用OLPP方法,在保持样本近邻关系的基础上,将原始数据投影到低维特征空间;其次,在特征空间中选取某类时序窗口,并计算时序平方距离;然后,将窗口内样本到其空间上近邻集的平均累积平方距离的倒数作为权重;最后,构造统计量对过程进行监控。OLPP-ATSWKNN通过时序信息的提取和窗口内权重的引入降低了过程的自相关性和解决了多阶段的统计差异问题。此外,自适应的窗口切换策略解决了阶段切换时统计指标异常的问题。通过对数值模拟过程和青霉素发酵过程的监控实验,检验了OLPP-ATSWKNN的监控性能,监控结果显著优于经典方法。

机器学习模型k近邻算法分析脑电图对主观性耳鸣的诊断价值

目的探讨机器学习模型k近邻算法分析脑电图对主观性耳鸣的诊断价值。方法纳入主观性耳鸣患者87例(耳鸣组),健康受试者91例(对照组)。使用MATLAB和EEGLAB工具箱、小波包变换和样本熵相结合的方法分析两组δ、θ、α1、α2、β1、β2、β3、γ频段在耳鸣发生网络相关7个区域的样本熵差异。对耳鸣脑电图特征数据使用Python的scikit-learn包进行k近邻算法分析,使用准确率、召回率、精确度和F1得分评估k近邻算法对主观性耳鸣的诊断价值。结果两组样本熵在左听觉、左额叶、中央、右顶叶和左顶叶等区域差异有显著性(P<0.05)。耳鸣组δ、α2和β1节律平均熵大于对照组,θ、α1、β2、β3和γ节律平均熵小于对照组(P<0.05)。耳鸣组和对照组样本熵在FC5、C1、CP1和P4单通道中差异有显著性(P<0.05)。k近邻算法对主观性耳鸣的诊断准确率为91.98%,召回率为90.24%,准确率为96.28%,F1得分为93.12%。结论机器学习模型k近邻算法分析脑电图结果可以辅助临床医生对耳鸣进行诊断。

基于高斯分量标准化的K近邻故障检测策略

针对复杂多工况工业过程故障检测问题,提出一种基于高斯分量标准化的K近邻(Gaussian Component Standardization K-Nearest Neighbor,GCS-KNN)故障检测策略。样本数据应用高斯混合模型(Gaussian Mixture Model,GMM)进行训练,将数据分解为多个高斯分量;通过每个高斯分量的均值和协方差对该分量内的数据进行标准化处理;应用K近邻(K-Nearest Neighbor,KNN)算法对标准化后的样本进行检测。GCS-KNN通过高斯分量标准化消除数据的多模态特性,提高传统基于KNN检测方法的检测率。利用数值例子和半导体工业过程仿真实验验证了该方法的有效性,并与传统的主元分析(Principal Component Analysis,PCA)、KNN、动态主元分析(Dynamic PCA,DPCA)和加权KNN(Weighted KNN,WKNN)等方法进行对比,结果证实此方法具有显著的优势。

K近邻空间密度分布的模糊聚类算法

聚类是数据挖掘研究和应用中必不可少的工具,然而不完整数据对现有聚类算法提出了挑战.针对不完整数据聚类中插补方法带来的不确定性问题,本文提出一种K近邻空间密度分布的模糊聚类算法.首先,根据样本间相似度确定缺失数据的K最近邻样本集.在此基础上,由于缺失值具有不确定性,引入基于K最近邻样本集的数据分布信息,进一步将缺失数据填补为区间形式.其次,考虑聚类中离群点影响,引入数据空间密度分布,提出一种密度分布的区间型模糊C均值算法.最后,采用模糊C均值算法将填补的区间数据进行聚类.实验结果表明,在UCI数据集和人工数据集上,该算法能有效提高聚类准确性和鲁棒性.

ET-GD与K近邻相结合的刀具磨损监测方法

针对铣削过程中刀具磨损量监测问题,提出一种基于极端随机树和高斯分布,与K近邻相结合的刀具磨损监测方法。该方法选用截断法和hampel滤波法剔除力、振动和声发射信号中的异常值和奇异点。其次通过极端随机树和高斯分布的偏离情况对特征集进行优选,降低数据矩阵的复杂性。分别对比分析了两次优选前后三种K近邻模型的拟合度和评估度量。利用优选后的特征对逻辑回归、极端随机树、支持向量回归和K近邻算法模型进行训练,并利用十折交叉验证法和测试集进行验证。最终得出,基于极端随机树和高斯分布与K近邻的刀具磨损监测模型的拟合度达到99.17%,均方误差和平均绝对误差分别为13.0688、1.8241。结果表明该方法能够实现对铣刀磨损的有效监测,从而提高工件加工质量。

基于反向K近邻和密度峰值初始化的加权Kmeans聚类入侵检测算法

传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响,为了避免这些影响,该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向K近邻,针对不同规模、不同密度分布数据集,可以自适应地搜索密度峰值点作为初始类簇中心;自适应设定相对簇半径,并通过样本加权进行类簇中心迭代,在不同数据分布下可以有效降低边缘点和离群点对聚类结果的影响。试验结果证明,该算法在聚类性能提升的同时迭代次数大幅降低,随着入侵行为类型和数据规模的增加,该文聚类算法仍体现出较好的性能,且在发现未知攻击类型上效果显著。