用于雷达信号分选的K中位最近邻聚类算法

在处理雷达信号时,基于密度的空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)分选算法依赖于参数或阈值的选取,影响分选的准确率。为此提出了一种改进的雷达信号脉冲分选算法,在DBSCAN聚类基础上结合了K中位最近邻(K-median nearest neighbor,KMNN)算法,通过引入自衰减系数并设置阈值上限对参数值列表进行二次处理,可以自适应根据聚类结果与不同参数时的K值之间的关系确定最优的邻域半径和最少点个数,提高了分选的正确率。通过仿真实验验证了算法利用雷达脉冲描述字特征进行自适应分选的有效性。

K最近邻算法在预制菜产业发展中的应用

预制菜是以一种或多种农产品为主要原料,通过标准化流程操作,经过预先加工或预先烹调而成,并最终进行预先包装的成品或半成品菜肴。近年来,该行业快速发展,K最近邻(K-nearest Neighbor,KNN)分类算法被视为基础的分类与回归方法之一,具有较为成熟的理论基础,是机器学习领域中被广泛应用的算法之一。综述了预制菜的发展史、分类、现状,最近邻算法基本原理及K最近邻算法模型在预制菜产业发展中的应用研究,以期对预制菜应用领域科研攻关的方向、产业的发展研究提供参考。

基于蜣螂优化算法和K近邻算法的轴承特征选择和故障诊断

针对风电机组传动系统滚动轴承在故障诊断中容易受到冗余特征的影响,从而导致故障诊断的准确率和效率不高的问题,本文提出了一种基于蜣螂优化(DBO)算法和K最近邻(KNN)算法的轴承特征选择和故障诊断方法。该方法首先通过时域、频域分析提取了与滚动轴承故障相关的20个特征数据,然后对特征进行包括归一化处理和特征集划分在内的特征处理;接着以DBO算法的适应度为评价参数,利用DBO算法的路径选择能力寻求最优特征子集;最后通过测试验证所选的特征子集对于KNN分类准确率的优化效果。实验结果表明,标准差(SD)和平均绝对差值(MAD)这两个特征参数作为KNN分类器的输入数据时可以达到95.10%的分类准确率。此方法在大幅度减少特征数量的同时,提高了轴承的故障诊断准确率。

基于k-最近邻图的小样本KNN分类算法

提出一种基于k-最近邻图的小样本KNN分类算法。通过划分k-最近邻图,形成多个相似度较高的簇,根据簇内已有标记的数据对象来标识同簇中未标记的数据对象,同时剔除原样本集中的噪声数据,从而扩展样本集,利用该新样本集对类标号未知数据对象进行类别标识。采用标准数据集进行测试,结果表明该算法在小样本情况下能够提高KNN的分类精度,减小最近邻阈值k对分类效果的影响。

基于自组织神经网络及K最近邻算法的储层渗流屏障定量识别方法

传统的储层渗流屏障识别方法大多为定性或半定量,对于单砂体内部规模较小的储层渗流屏障的识别精度及划分效率相对较低。以沧东凹陷枣南孔一段油藏为例,基于岩心及测井资料,引入人工智能机器学习方法,提出一种基于SOM神经网络聚类和KNN算法的储层渗流屏障定量识别方法。该方法主要通过SOM算法逐点对取芯井多测井曲线进行聚类,获取能够表征储层质量差异的测井相神经单元,然后与岩性及构型进行对比,建立取芯井测井相神经单元定量划分储层渗流屏障标准,最后通过KNN算法将取芯井测井相神经单元模型传播到非取芯井,并对非取芯井进行储层渗流屏障识别与划分。结果表明,该方法对储层渗流屏障的识别结果与岩心的符合率超过90%,同时快速地对全区非取芯井渗流屏障进行划分,有效地提升储层渗流屏障的识别精度与效率,这也为类似的研究提供一种新的思路和方法。

激光点云线性KNN算法FPGA实现及加速

针对三维激光点云线性K最近邻(K-nearest neighbor, KNN)搜索耗时长的问题,提出了一种利用多处理器片上系统(multi-processor system on chip, MPSoC)现场可编程门阵列(field-programmable gate array,FPGA)实现三维激光点云KNN快速搜索的方法。首先给出了三维激光点云KNN算法的MPSoC FPGA实现框架;然后详细阐述了每个模块的设计思路及实现过程;最后利用MZU15A开发板和天眸16线旋转机械激光雷达搭建了测试平台,完成了三维激光点云KNN算法MPSoC FPGA加速的测试验证。实验结果表明:基于MPSoC FPGA实现的三维激光点云KNN算法能在保证邻近点搜索精度的情况下,减少邻近点搜索耗时。

基于K最近邻分类的无线传感器网络定位算法

针对无线传感器网络中,大部分节点硬件配置低,缺少自定位能力的问题,提出一种基于K最近邻分类的分布式算法LKNN。将定位问题转换成为分类问题,根据信标节点的位置信息和相距跳数计算节点间的相似度,利用K最近邻（KNN）二分分类横纵坐标,确定未知节点的坐标,经过质点弹簧算法MSO进一步优化节点的估计位置。仿真研究表明,LKNN算法定位过程中,K最近邻算法分类准确度高,质点弹簧算法可以改善边界效应,提高边缘区域节点的定位精度。相比于DV-Hop算法,LKNN定位效果更为理想,尤其是在C形随机分布的不规则网络中,平均误差和误差的标准差减小20%~50%。进一步实验结果验证了LKNN算法的有效性和实用性。

基于改进K最近邻分类算法的不良网页并行识别

互联网中,黄色、暴力、赌博、反动等不良网页大量存在。如果不进行有效过滤,将给搜索服务带来不良的影响。采用改进的K最近邻分类算法来提高识别的准确率,并在虚拟化平台上通过开源的Hadoop软件所提供的MapReduce模型进行分布式并行处理。对比实验结果表明,所采用的识别方法的识别准确率和识别效率都有较大的提高。

基于IKNN和LOF的变压器回复电压数据清洗方法研究

基于回复电压极化谱提取特征参量是目前广泛应用的变压器油纸绝缘状态评估方法,但极化谱易受工况干扰、人工失误等因素影响而出现特征数据异常的情况,严重降低评估准确性。针对上述问题,该文提出了一种基于局部离群因子(LOF)和改进K最近邻(IKNN)的回复电压数据清洗方法。首先,选取回复电压极化谱的回复电压极大值Urmax、初始斜率Sr与主时间常数tcdom作为老化特征参量,并基于LOF算法对非标准极化谱中的异常特征量数据进行识别与筛除。其次,利用模糊C均值(FCM)聚类算法减小噪声点对KNN算法的干扰,并通过加权欧氏距离标度突出各特征量间的关联性,进而构建出基于IKNN的数据填补模型架构以实现特征缺失数据的填补。最后,代入多组实测数据验证所提数据清洗方法的实效性。结果表明,数据清洗后的状态评估准确率相较于原有数据上升了50%左右,有效提高了变压器回复电压数据质量,为准确感知变压器运行状况奠定坚实的基础。

基于改进AP选择和K最近邻法算法的室内定位技术

针对复杂的室内环境和在传统K最近邻法(KNN)算法中认为信号差相等时物理距离就相等两个问题,提出了一种新的接入点(AP)选择方法和基于缩放权重的KNN室内定位算法。首先,改进AP的选择方法,使用箱形图过滤接收信号强度(RSS)的异常值,初步建立指纹库,剔除指纹库中丢失率高的AP,使用标准偏差分析RSS的变化,选择干扰较小的前n个AP;其次,在传统的KNN算法中引入缩放权重,构建一个基于RSS的缩放权重模型;最后,计算出获得最小有效信号距离的前K个参考点坐标,得到未知位置坐标。定位仿真实验中,仅对AP选择方法进行改进的算法平均定位误差比传统的KNN算法降低了21.9%,引入缩放权重算法的平均定位误差为1.82 m,比传统KNN降低了53.6%。

基于P2P的自适应分布式k最近邻搜索算法

k最近邻搜索算法无法满足数据挖掘的分布性、实时性和可扩展性要求,针对该问题提出基于P2P的自适应分布式k最近邻搜索算法[0](P2PAKNNs)。阐述GHT*结构,定义高维数据相似度函数HDSF(X,Y),论述GHT*中的插入算法、范围查找算法和搜索算法。给出P2PAKNNs的实现过程,通过实验证明其正确性。

基于K-最近邻算法的管道系统传感器数据有效性分析研究

在管道运输中传感器的正常使用至关重要,为了防止因传感器故障而导致的数据采集失效,造成误报警和漏报警,对传感器本身的故障诊断和失效分析已经成为当前研究的重要方向。通过对各传感器采集数据进行组合分析,以各传感器之间的数据关联特性作为研究内容,运用K-最近邻算法对管道上传感器所采集数据进行相似性拟合,提出采用C4.5算法定义各传感器所采集数据对目标传感器的支持度以决定目标传感器数据的有效性,对故障传感器运行状态进行分析与定位,进而判断传感器的数据可靠性和输差出现位置。实验结合西南某管道流量传感器数据进行分析,结果表明,该算法能够准确判断目标传感器数据的有效性和故障传感器在时域中发生的位置。

基于核的k最近邻算法

将核学习的方法应用到k最近邻算法中,提出了1种基于核的k最近邻算法.该算法通过引入核函数,将原空间中的样本映射到1个高维核空间中,突出了不同类别样本之间的特征差异,使样本变得线性可分,从而提高分类性能.并利用UCI数据库中的数据分别验证了k最近邻分类和核k最近邻分类算法的有效性.

一种基于数据空间自适应规则网格划分的Skd-tree最近邻算法

针对现有kd-tree KNN算法的不足,提出了一种基于规则数据空间网格划分的Skdtree KNN算法。该树形结构把数据置于空间网格内部,能更好地利用数据的空间分布特性,可以在更小的范围内对被查询数据定位,有效避免对部分无关数据的计算或回溯;同时,为了适应网格空间的规则性,算法中采用了超方体而非超球体来查询局域空间中的最优结果,避免了空间异构带来的缺点。数字实验的结果证明:Skd-tree KNN比kd-tree KNN具备更好的索引定位精度、更少的无关数据回溯和计算、更短的查询时间,尤其适用于数据样本较大或高维度数据的最近邻查询。

基于小波包分解和K最近邻算法的轴承故障诊断方法

轴承振动信号具有不平稳和不规则性,难以通过振动信号分析直接进行故障诊断,提出一种基于小波包分解和K最近邻算法的轴承故障诊断方法。首先利用小波包分解轴承原始振动信号,接着对分解得到的频带信号计算样本熵值,将其构建特征向量,最后利用K最近邻算法进行轴承故障诊断。并采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好,准确率为95%。

基于伽马内核与加权K近邻的流量分类算法

K最近邻算法(KNN)是一种简单有效的分类方式。当数据集分布均衡,不同类别样本之间的差异显著时,KNN的分类效果一般较好。但实际中数据集通常不理想,网络流量往往呈现倾斜分布,存在样本之间差异不显著等问题。为了更好地权衡样本距离之间差异以及流量类别分布不均带来的模型准确率下降问题,提出了一种基于Gamma内核与加权KNN的流量分类算法,综合考虑了距离和流量分布对分类结果的影响。采用Gamma分布函数作为内核,对不同类别采用自信息进行加权。最后得到G-WKNN模型,并将该模型应用于CIC-IDS2017数据集。实验结果表明,在流量均衡的情况下,模型准确率稳定在0.91左右。在流量不均衡时,依旧具备良好的分类表现。对比其余几种改良的KNN算法,其分类准确率较高且模型稳定性好,对K值相对不敏感。同时G-WKNN模型对少数类别分类准确率的提升效果也较为显著。

基于K平均最近邻法的开关柜现场验电安全检测

为避免开关柜出现绝缘缺陷,保证电网设备安全稳定运行,提出基于K平均最近邻法的开关柜现场验电安全检测研究。分析开关柜放电原因,建立针板、悬浮等常见的放电模型;设置电磁波探测装置,通过计算机控制各模块工作,为减少探测过程中脉冲和噪声干扰,引入向量位与标量位探究场强变化情况,采集开关柜现场状态信息;针对采集到的电磁波频谱做数据转换,提取功率的平均值与有效值;采用矩阵简化方式计算样本数据和参考点间最佳距离,确定最优参考点;将验电安全检测问题变换为样本数据分类问题,引入位置差异因子,计算样本与参考点间的欧式距离,完成状态数据分类,达到验电检测目的。实验结果表明,所提方法对样本数据采集具有高度敏感性,能够准确检测出开关柜的实时状态。

K最近邻算法理论与应用综述

k最近邻算法(kNN)是一个十分简单的分类算法,该算法包括两个步骤:(1)在给定的搜索训练集上按一定距离度量,寻找一个k的值。(2)在这个kNN算法当中,根据大多数分为一致的类来进行分类。kNN算法具有的非参数性质使其非常易于实现,并且它的分类误差受到贝叶斯误差的两倍的限制,因此,kNN算法仍然是模式分类的最受欢迎的选择。通过总结多篇使用了基于kNN算法的文献,详细阐述了每篇文献所使用的改进方法,并对其实验结果进行了分析;通过分析kNN算法在人脸识别、文字识别、医学图像处理等应用中取得的良好分类效果,对kNN算法的发展前景无比期待。

面向K最近邻分类的遗传实例选择算法

针对传统的实例选择算法会误删训练集中非噪声样本、算法效率低的不足,提出了一种面向K最近邻(KNN)的遗传实例选择算法。该算法采用基于决策树和遗传算法的二阶段筛选机制,先使用决策树确定噪声样本存在的范围;再使用遗传算法在该范围内精确删除噪声样本,可有效地降低误删率并提高效率,采用基于最近邻规则的验证集选择策略,进一步提高了遗传算法实例选择的准确度;最后引进基于均方误差(MSE)的分类精度惩罚函数来计算遗传算法中个体的适应度,提高有效性和稳定性。在20个数据集上,该方法相较于基于预分类的KNN(PRKNN)、基于协同进化的实例特征选择算法(IFS-CoCo)、K最近邻(KNN),在分类精度上的提升分别为0.07～26.9个百分点、0.03～11.8个百分点、0.2～12.64个百分点,在AUC和Kappa的上的提升分别为0.25～18.32个百分点、1.27～23.29个百分点、0.04～12.82个百分点。实验结果表明,该方法相较于当前实例选择算法在分类精度和分类效率上均具有优势。

基于属性加权k最近邻算法的降雨预测

针对传统k最近邻算法处理多维数据分类时,没有考虑不同属性对分类结果的影响程度存在相异性这一问题,提出一种基于属性重要度的k最近邻算法。将大气压强、风向、风速、气温和相对湿度作为样本属性,将降水量作为类,利用属性空间上同类数据分布的内聚性和异类数据的耦合性确定样本属性的权重,通过属性加权欧氏距离进行近邻搜索,实现最优分类。实验结果表明,该降水模型在性能指标上表现更优,提高了预报结果的准确率、TS评分和正样本概括率,降低了降水预测的标准误差与漏报率。