基于k-邻近算法的手写识别系统的研究与实现

针对计算机对手写输入字符的识别需求,本文基于k邻近算法构建了手写识别系统,并采取平滑、归一化等方法进行数据预处理,提取结构与统计特征,达到提高手写字符识别精度与准确率的目的。计算机测试后表明,本算法对手写字符识别的精度可以达到95%以上。

基于K-邻近法的电网关键断面在线分布式发现方法

随着可再生能源大规模接入电网,电力系统正面临着越来越复杂的运行环境,从而对电网在线操作的时间粒度提出了更高的要求。关键断面在线发现以及其极限传输容量计算是保证大电网在线安全运行的重要手段,调度员通过调控关键断面控制电网安全、稳定运行。从数据驱动的角度出发,对电网在线运行状态建立特征集合,运用层次聚类和分布式特征选择筛选出影响断面出现与否的关键特征,随后运用二分类分布式的K-邻近法(KNN)建立特征集合与断面出现与否的映射。算例分析表明,相比于传统方法,所提机器学习方法可以大大减少关键断面在线发现所需时间,且关键断面预测精度达到工程应用需求。

K-邻近条件下空间实体三维建模算法研究

以空间离散点集Pn={P1,P2,…,Pi,…,Pn}为研究对象,研究了一种三维建模算法。在预先约定外法线方向和优化原则(最小角最大化)的基础上进行三维建模。第1步,对点集进行同位点的剔除,并建立K-邻近邻接表;第2步,确定权重的计算方法,并计算虚拟中心点、各点相对于虚拟中心的向量及其长度范数;第3步,求定起始边及起始面片;第4步,遍历K-邻接表,选择当前待插入点,分3种情况讨论了待插入点与已有面表中面片和已有边表中边的关系,进行插入和格网优化操作,直到主点集中的点都处于"已使用"或"同棱点"的状态;第5步,处理"同棱点"。通过上述环节完成对空间离散点集的三维建模操作,最后用C语言对算法进行了实现,并采用相关的数据进行了试验,试验结果证明了本算法的有效性。

基于K-邻近轮廓片段组的物体检测

针对实际场景中的物体遮挡、背景复杂等影响物体检测结果的问题,本文提出一种新颖的物体特征:K-邻近轮廓片段组。该特征能够更好地描述边缘信息,而且具有尺度不变性。利用该特征训练得到的SVM,在基于滑动窗口的检测过程中取得了很好的效果。经实验验证,该特征非常适合用于物体检测和分类识别。

k-邻近空间关系下的空间同位模式挖掘算法

定义了一种基于k-邻近对象的空间同位模式,探讨了基于k-邻近空间关系的同位模式的特点及其与基于距离阈值的空间同位模式的区别与联系,并开发了k-邻近对象同位模式挖掘算法(KNFCOM)。通过对真实数据的实验结果表明,KNFCOM算法可有效地发现大型空间数据集中存在的各种空间同位模式。

基于多属性重要度加权K-近邻算法的客流量预测研究

随着数据维度的增加,传统k-邻近算法没有考虑不同属性对预测结果的影响,易导致维度灾难。为了解决数据维度对预测结果的影响问题,提出一种基于多属性重要度加权k-邻近算法(Multi-attribute importance weighting,MIW-KNN)。选取影响景区客流量的五个重要属性因素,将景点级别、门票价格、周末或节假日、搜索指数和天气作为样本属性,把景区客流量作为类,利用多维数据属性空间上的对客流量的影响程度确定各个数据样本属性的权重,通过多属性加权和欧氏距离进行近邻搜索,进行最优预测。选取5A级景点清明上河园景区为例进行实证分析,结果显示所提模型能很好地提高客流量的预测效果,提高了预测的准确率、在R2、RMSE、MAE和MAPE等方面表现良好。

基于PCA及k-邻近算法的复杂环境数字手写体识别

为解决手写体识别在复杂环境情况识别率低等问题,对复杂环境下的手写体识别进行了研究。系统采用canny算子、中值滤波、膨胀腐蚀等方法提取目标区域,在得到目标区域后对其进行透视变换并求取数字轮廓,过滤后线性放缩获得识别样本数据。再对样本进行PCA降维,使用K-临近算法对数字进行匹配识别。同时为提高识别准确率,将国内外不同地域手写数据库输入系统与现有数据库进行匹配,以此完成对系统的训练。

K-最邻近算法在文本自动分类中的应用

对文本的自动分类进行了研究,介绍文本分类的基本过程和文本特征选取的方法,重点介绍了一种常用的基于内容的分类算法——K-最邻近算法.利用K-最邻近算法(KNN)并结合改进的词特征权值计算方法和文本相似度的计算方法完成了文本的自动分类.通过KNN方法分类之后的结果的查准率、查全率得以明显提高.

基于K-近邻方法的科技文献分类

本文提出了一种在小样本数据下、无需分词处理的科技文献分类器建造方法.分析了科技文献的特点,提出了抽取科技文献的关键词作为分类特征词条,以文献的标题、关键词和摘要作为文档主题信息进行词频统计分析建立分类器.最后分别进行了基于最近邻决策和K-邻近决策的分类效果实验研究,实验证明基于欧氏距离相似性测度和基于余弦相似性测度的文本分类效果并不存在显著的差别,K-邻近决策的分类效果要优于最近邻决策的分类效果.

散乱数据点的邻近关系及参数化

逆向工程中要解决的重要问题之一是对散乱测量数据进行参数化处理。本文提出了建立散乱数据点间的邻近关系及基于这种关系的数据点凸组合映射参数化方法。实例表明 ,本文所介绍的方法简单可靠 。

基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测

应用高分1号(GF-1)全色和多光谱(PMS)影像和k-最邻近(k-NN)方法进行县域尺度的森林蓄积量估测,探讨GF-1 PMS影像以及k-NN方法估测森林蓄积量的适用性。以北京市延庆区森林资源二类调查数据为基础数据,森林蓄积量为研究对象,基于国产GF-1 PMS影像数据提取植被指数,采用k-NN法构建森林蓄积量估测模型,并引入偏最小二乘回归法予以比较,选出最优估测方法对全区森林蓄积量进行反演。结果显示:偏最小二乘回归法估测的森林蓄积量均方根误差为21.90 m^3·hm^(-2),相对均方根误差为27.5%,偏差为17.23 m^3·hm^(-2)。基于k-NN方法的森林蓄积量估测的均方根误差为12.80 m^3·hm^(-2),相对均方根误差为16.0%,偏差为15.02 m^3·hm^(-2)。与官方公布的全区森林蓄积量进行对比,结果显示:基于k-NN法反演的全区森林蓄积量统计结果(245.98万m^3,估测精度为86.0%)要好于偏最小二乘回归法(266.22万m^3,估测精度为76.6%)。最后生成了全区森林蓄积量空间分布图。

基于改进K-近邻算法的XLPE电缆气隙放电发展阶段识别

对运行工况下的XLPE电缆气隙放电发展阶段进行准确识别,有利于将电缆故障扼杀在萌芽状态,保障电力系统正常运行。该文首先介绍了模拟XLPE电缆气隙放电的试验平台搭建、缺陷模型制作和特征量提取及降维的方法及步骤,基于试验观察和对大量数据样本进行聚类分析,将XLPE电缆气隙放电发展过程分为四个阶段,针对以往XLPE电缆气隙放电阶段识别模型的训练周期长、计算复杂度高和收敛速度慢等问题,该文提出一种经高斯函数加权的改进K-近邻(KNN)分类算法应用于XLPE电缆气隙放电阶段识别。对气隙放电的随机测试样本采用基于二叉树的核函数支持向量机、未改进的K-近邻算法和改进后的K-近邻算法三种算法分别进行了阶段识别。试验结果表明,改进后的K-近邻算法识别正确率高、速度快,处理含噪信号鲁棒性好,相比另两种算法更优。

用k-最近邻和贝叶斯分类预测图书用户喜好

将用户兴趣爱好、书籍受欢迎程度和用户对书籍的评价等参数组成差异性矩阵,确定各参数影响权重、建模计算用户对书籍的评分,融合采用k-最近邻分类法和朴素贝叶斯分类法来分类过滤数据,设计实现一种数字图书用户喜好预测算法。实验结果表明,该算法提高了数字图书个性化推荐精度。

基于KD-tree优化特征三角形匹配的林地点云配准方法

针对现有林地配准方法配准效率低的问题,提出一种通过KD-tree加快特征三角形匹配过程的配准方法。首先使用单木位置构建特征三角形,并以边长、顶点协方差矩阵特征值为几何约束条件剔除等腰、等边以及高度共线的三角形,利用KD-tree快速搜索源点云与目标点云之间的同名特征三角形,根据对应同名点计算转换参数,从而实现林地点云配准。实验结果表明,配准效率与RMSE分别平均提升99.2%、83.6%,且算法在含有一定比例单木位置漏检测与误检测时,RMSE均稳定在0.04~0.09 m,证明该方法具有可行性和有效性。

使用无线射频识别(RFID)技术进行室内定位

简要介绍了无线射频识别技术以及它在各行各业中的不同应用，特别是在室内定位中的应用。重点介绍了对LANDMARC室内定位系统理论的改进，使其可以更好地应用于实际环境。实验结果表明，改进的算法比原来的算法在定位精度上提高了10％～50％。

基于改进kNN算法的人脸识别研究

通过分析人脸识别流程和结构设计分析得出分类算法的选择决定着人脸识别结果质量;从而对经典k NN算法进行分析,提出了一种动态取得k值的改进k NN分类算法。通过实验测试,证明改进的k NN分类算法可以有效地提高识别精度的稳定性。

基于可拓距离的K近邻算法

距离机制是K近邻算法的关键部分,传统的方法是采用欧式距离来讨论各个属性取值的差异,而对于同一属性取值的差异就显得很简单.采用可拓学来定量描述事物属性的关联函数的性质,构造可拓距离应用到K近邻算法中,设计出可拓K近邻算法.为了验证算法的可行性和准确率,分别应用到二维数据的故障诊断和标准数据集的聚类分析中,实验证明该算法是可行和有效的.

镁铁质-超镁铁质岩浆岩中单斜辉石的智能分析研究

区分不同构造环境中岩浆作用是认识地幔中岩浆形成过程的基本手段。目前较为成熟的是利用全岩去区分判别，而利用造岩矿物去判别构造环境、演绎岩浆演化的研究还不够深入。本文运用机器学习的方法，以全球新生代大洋中脊、洋岛以及岛弧构造背景中的镁铁质一超镁铁质岩浆岩中单斜辉石的地球化学数据为研究对象，试图区分这3种不同构造环境的单斜辉石。通过机器学习方法中K-邻近（K—Nearest Neighbor，KNN）和随机森林（Random Forest，RF）的计算和比较，认为RF是一种有效的地球化学区分方法，它的结果不仅可用来判别构造环境，同时还能够提取特征元素。同时我们发现，在镁铁质一超镁铁质岩浆岩单斜辉石构造环境判别图解中，Rb、La、Ba、Cr、Sr、Yb、V、Ti、Nd、Eu、Gd等微量元素具有较高的贡献率，而主量元素贡献率较低。在此基础上，我们结合前人的对单斜辉石的构造环境判别图的研究成果，提出几个判别效果较好的判别图解。但是整个研究由于缺少进一步可视化的成果，限制了机器学习方法的推广，这也是今后需要进一步研究的课题。

基于KNN图的空间离群点挖掘算法

空间数据集中离群数据与正常数据之间的非空间属性值相差较大。针对该情况,提出一种基于K-最邻近(KNN)图的空间离群点挖掘算法。该算法通过所有对象的K近邻关系构造KNN图,将相邻对象非空间属性值的差作为2个对象点间的边权值,利用裁边策略去掉权值较高的边,从而识别出空间离群点和离群区域。实验结果表明,该算法的时间性能优于POD算法。

基于概率神经网络的文本自动分类研究

本文提出了将一种径向基网络的重要变形--概率神经网络应用于文本自动分类的研究,与常用的K-最邻近法相比,具有一定的优势,特别是在训练集中各类的训练样本数很不平衡时;与BP等其他神经网络相比,其特点是需调节的参数少,不需确定隐层数、隐层中的神经元数量等网络结构,比较容易使用.此外,从研究中的不同特征选择的评价函数来看,它们对分类有一定的影响,应用X2统计进行特征选择的分类正确率最高,其次是文本证据权,而期望交叉熵的效果最差,说明特征选择在文本自动分类中也是非常重要的.