k阶最近邻距离混合点过程分解模型的适用性判断条件的修正

对k阶最近邻距离混合点过程分解模型的判断条件进行修正,使该模型的适用范围更接近于真实.数值试验发现,参数R的理论值较大或者较小均不影响模型适用范围的判断条件.对适用范围的理论临界值可能产生影响的主要是该临界值附近的R.分析临界值及其附近R与相应的理论值之间的差异,结合计算值,对所确定的临界值进行修正.结果发现:修正后的临界值一般都小于原临界值;无论临界值是否修正,点的个数对临界值的影响相似,即数据点数目较少时,临界值较大,数据点数目较大时,临界值较小;临界状态下,k的初始有效值基本随着数据点数目的增加而有所增加.

空间点过程理论在极端气候事件中的应用研究

该文定义了12种极端温度事件和6种极端降水事件,将基于空间点过程理论的k阶最近邻距离丛集点提取算法应用于极端温度和极端降水事件的研究,给出了极端温度和极端降水事件区域群发性站点的检测流程;采用多年平均的疏密差异比R和有效率η两个指标,对所定义的各种极端气候事件的区域群发性进行了有效性检验,结果表明:k阶最近邻距离丛集点提取算法适用于极端气候事件的区域群发性研究,并进一步阐明了极端气候事件区域群发性的物理含义。

基于边界分布的非平衡数据集分类研究

非平衡数据集的分类问题是数据挖掘领域的一个研究热点。针对非平衡数据集分类困难的问题,特别是由于非平衡分布引起的少数类识别能力低下的问题,提出了一种改进算法,SMOTE-SVM-KNN。针对传统的过采样算法盲目过采样的问题进行了研究,提出了一种基于边界分布的采样算法。该算法利用SVM得到支持向量作为边界,同时删除噪声点。针对边界上的点,计算其分布,然后按照分布对边界上的点进行过采样。在实际数据集上进行试验,并与SMOTE-SVM算法进行比较,试验结果表明该算法能够有效地提高少数类的分类准确率。