基于Triplet Loss和KNN的非侵入式未知负荷识别

针对在接入新负荷时传统非侵入式负荷识别算法会产生误分类的问题,提出一种基于三元组损失(Triplet Loss)和KNN的非侵入式未知负荷识别算法。首先,采用负荷稳态运行时的电流、电压构造多特征融合的彩色V-I轨迹图像;然后,挖掘在线的Semi-Hard样本对,使用Triplet Loss训练神经网络,并得到各样本的特征向量;最后,对特征向量进行PCA降维,并基于类中心构造邻域,使用KNN算法来进行负荷识别。使用PLAID、COOLL数据集对所提算法进行测试。测试结果表明,所提的负荷识别算法在已知类别负荷的分类和未知负荷的识别方面均有较高的准确率。

基于KNN多模型融合的高铁列车晚点预测方法

高速铁路列车运行过程中,由各种外部环境干扰或内部设备故障引发的列车晚点问题对铁路调度指挥与运营管理带来了极大的负面影响。为了更好地把握列车晚点情况,及时调整列车运行图,提高铁路行车指挥与运输服务的质量,本文提出了一种基于KNN多模型融合的列车晚点预测方法。本文采用神经网络、支持向量机和随机森林等机器学习方法,通过对荷兰铁路不同时间下的列车运行数据进行预处理、特征提取和特征选择,训练出了三个独立的列车晚点预测器。为了利用不同机器学习方法的互补预测特性,同时提高在异常交通条件下列车晚点预测模型的整体性能,本文采用基于KNN的多模型融合框架对三种基本预测器进行融合。研究结果表明,基于KNN多模型融合的智慧列车晚点预测方法的预测精度明显优于独立的机器学习模型。

基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

针对风力机变桨系统变桨角度4种主要故障类型,基于机组SCADA数据分析,提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理,以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先,对风力机SCADA数据进行非参数核密度估计预处理,运用Relief-F算法提取变桨角度故障的7类(13个)特征参数;然后,通过PCA-KNN融合算法对变桨角度故障状态进行识别,结果表明:该方法能够准确识别变桨角度4种主要的故障类型。最后,将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比,结果表明:改进的PCA-KNN融合算法具有更为准确的识别率。

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标,为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法,预处理实验所需的苹果图像;使用K-means聚类算法、OTSU最大类间方差法,将苹果灰度图转换为二值图;利用二值图与苹果原图的异或运算,提取苹果轮廓;采用苹果的二值图计算苹果的果实区域大小;使用颜色空间转换RGB-HSV中H通道划分果实红色区域;通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积;构建最小外接矩形计算苹果的果径及果形;利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法,在优于传统图像阈值分割效果的基础上,特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。

The detection method of low-rate DoS attack based on multi-feature fusion

As a new type of Denial of Service(DoS)attacks,the Low-rate Denial of Service(LDoS)attacks make the traditional method of detecting Distributed Denial of Service Attack(DDoS)attacks useless due to the characteristics of a low average rate and concealment.With features extracted from the network traffic,a new detection approach based on multi-feature fusion is proposed to solve the problem in this paper.An attack feature set containing the Acknowledge character(ACK)sequence number,the packet size,and the queue length is used to classify normal and LDoS attack traffics.Each feature is digitalized and preprocessed to fit the input of the K-Nearest Neighbor(KNN)classifier separately,and to obtain the decision contour matrix.Then a posteriori probability in the matrix is fused,and the fusion decision index D is used as the basis of detecting the LDoS attacks.Experiments proved that the detection rate of the multi-feature fusion algorithm is higher than those of the single-based detection method and other algorithms.

基于SVM-KNN算法的情绪脑电识别

情绪识别与日常生活的诸多领域都有很大联系.然而,通过单一算法难以获得较高的情绪识别准确率,为此,提出一种基于支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbors,KNN)融合算法(SVMKNN)的情绪脑电识别模型.在情绪分类时,首先计算待识别样本与最优分类超平面的空间距离,若两者距离大于提前设定的阈值,选用SVM分类器对情绪样本分类,否则选用KNN分类器.最后在SEED情感数据集上进行实验测试,通过对比实验,得出SVM-KNN算法提高了情绪三分类的准确率.运用该模型可有效地对情绪类型进行识别,对于医疗护理方面获取表达障碍患者的情绪状态有积极意义.

基于加权DTW的多特征分级融合动态手势识别

AR设备以第一视角获取的动态手势往往存在手掌角度偏转问题,各关节点位移轨迹相较正视角度发生变化,现有的手掌关节点位移特征无法有效识别,并且受限于AR设备性能,部分神经网络模型无法取得良好表现。针对该应用场景,提出一种使用多特征分级融合的手势识别方法。该方法构造位移、长度、角度三个特征对手势进行描述,并进行向量编码与归一化以消除抖动干扰。根据关节点与标准手势的相似度距离,仿照sigmoid函数分配关节点权重,以加权的动态时间规整(DTW)距离进行KNN匹配,并根据最佳的KNN置信度与特征优先级筛选出最可信的特征识别结果。实验结果表明:该方法能有效识别9种存在角度偏转的动态手势;相较于传统的位移特征方法,该方法的平均准确率提高了4%,能有效应对手掌偏转情况下的动态手势识别问题。

一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络

图卷积网络的平滑运行会导致其无法通过深度网络堆叠捕获深层信息,为了解决这个问题,提出了一种适用于滚动轴承故障诊断半监督学习分类的多层图卷积注意力融合网络(MGCAN)。首先,采用频域构图法将数据转换为图模型,捕获了数据的内在结构信息,将构建好的图数据输入网络,逐层提取特征信息,从浅层到深层逐步加深对数据特征的理解;然后,对每一层图卷积信息进行了有序拼接,同时引入了图注意力机制,使网络能够自动关注对分类任务比较重要的信息,从而提高了网络的性能和鲁棒性;最终,通过迭代学习,网络能够不断优化模型参数,对故障信息进行了准确识别;对不同工作条件下的滚动轴承进行了多次实验,并将该方法与传统的基于深度学习的方法进行了分析比较。研究结果表明:即使在标记数据只有10%的前提下,采用该网络依旧能够达到88%以上的识别准确度,并且适用于匀速和变速等不同的工况。上述结果证明,在选择适当方法保留多层图卷积中的有用信息后,深度图卷积网络可以成为诊断滚动轴承故障的一大利器。

基于多特征融合的心搏类型识别研究

心律失常是一种常见的心电活动异常,严重的可能危及人的生命。为了能准确诊断心律失常,提出了一种新的方法,用于心律失常诊断中对心搏的识别分类。首先对原始心电信号进行去噪预处理,并根据R峰位置获得心搏段。然后提取235单心搏特征点、R波幅值、PR间期、QT间期、ST段和RR间期作为特征参数,并对比分析不同特征组合下分类的性能,选出最佳的特征组合,最后基于最佳特征组合使用KNN模型对心搏进行分类。在MIT-BIH心律失常数据库上进行实验,并根据ANSI/AAMI分类方法对MIT-BIH心律失常数据库中的3种心搏类型:正常或束支传导阻滞(N)、室上性异位搏动(S)、心室异位搏动(V)进行分类。实验结果显示:S类心搏的灵敏度为87.8%,阳性预测值为95.1%;V类心搏的灵敏度为96.6%,阳性预测值为98.2%,测得的平均准确率为99.2%。与其他心搏分类方法相比,所提的基于多特征融合与KNN模型的心搏分类方法提高了分类准确率,具有较高的灵敏度和阳性预测值,对临床决策具有重要价值。

一种基于相似度判据的K近邻分类器的车牌字符识别方法

针对K近邻方法分类准确率较高的特性,提出了一种基于相似度判据的K近邻分类器车牌字符识别方法.通过大量实验,选取字符的网格特征和轮廓特征作为分类依据,用特征融合方法将两种特征合并,实现特征的串行融合.根据相似度判据作K近邻分类,实现了一个车牌字符识别系统.实验表明,这种方法具有良好的识别效果,鲁棒性强,具有较大的实用价值.

基于多特征与多分类器的鲜茶叶分类研究

机采茶中混有不同类型的鲜叶,传统的风选、振动筛选等分类方式准确度低,现有的基于计算机视觉的分选方式也无法满足对常见的单芽、一芽一叶、一芽二叶、一芽三叶四种类型鲜叶的准确分类。为解决茶叶机采后各类型鲜叶精确分类问题,提出了一种基于多特征与多分类器的鲜茶叶分类方法。首先,利用鲜叶的相对几何特征与纹理特征基于SVM构建鲜茶叶分类器;然后,对多边形拟合后的鲜叶图像进行特殊角点检测得到各特殊角点数量对应的各类别分类概率,并将特殊角点序列的距离矩阵相似度作为判断依据;最后利用KNN对上述两种方法的结果进行融合,得到最终分类结果。试验结果表明,该方法可以更好的利用不同类别鲜叶的特征进行分类,分类准确率达94.24%,取得了较好的分类效果。

基于支持向量机和k-近邻分类器的多特征融合方法

针对传统分类方法只采用一种分类器而存在的片面性,分类精度不高,以及支持向量机分类超平面附近点易错分的问题,提出了基于支持向量机(SVM)和k-近邻(KNN)的多特征融合方法。在该算法中,设样本集特征可分为L组,先用SVM算法根据训练集中每组特征数据构造分类超平面,共构造L个;其次用SVM-KNN方法对测试集进行测试,得到由L组后验概率构成的决策轮廓矩阵;最后将其进行多特征融合,输出最终的分类结果。用鸢尾属植物数据进行了数值实验,实验结果表明:采用基于SVM-KNN的多特征融合方法比单独使用一种SVM或SVM-KNN方法的平均预测精度分别提高了28.7%和1.9%。

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻(K-NearestNeighbor,ANN)算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%,9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。

基于数据融合的细菌素发掘及类别判定模型

从现有文献以及数据库中收集细菌素信息,结合数据库技术建立细菌素信息数据库。通过MOE软件和E-Dragon平台生成分子描述符。基于随机森林(Random forest,RF)和支持向量机(Support Vector Machine,SVM)建立细菌素发掘模型,其中,RF算法建立的细菌素发掘模型识别效果最好,准确率(Accuracy,Acc)为0.9187。基于随机森林和K最近邻(k-NearestNeighbor,kNN)算法建立细菌素类别判定模型,其中,KNN模型准确度最高,为0.9000。根据建立的模型预测出7种可能的细菌素,并判定它们多数为Class IIB类。

基于多特征融合的财经新闻话题检测研究

为辅助投资者在短期内及时发现投资热点,结合财经新闻的特点,提出一种财经新闻话题检测模型。构建基于财经新闻的时间窗切分新闻流,根据新闻文本中的主题事件、特征词、新闻语义及金融命名实体提取文本特征,并应用最近邻-凝聚层次聚类算法获得话题簇。实验结果表明,与传统多特征话题检测模型相比,该模型可有效降低聚类算法运行时间,提高话题检测准确度,且在一定程度上协助投资者进行决策判断。

基于多特征融合的早期野火烟雾检测

随着计算机技术的不断发展,基于计算机视觉和模式识别的森林火灾烟雾检测算法具有很大的应用前景。针对目前检测方法适应性不强、在复杂环境下检测识别率不高的问题,提出一种通过融合烟雾多个特征的方法来检测识别早期林火烟雾。算法首先通过一种结合改进的四帧差分法和高斯混合背景建模的算法提取运动前景;然后利用烟雾颜色特征、小波变换分析和LBP纹理特征,利用多特征线性融合并通过K最近邻(KNN)分类算法进行识别。通过在不同视频场景中的实验,证明了该方法在烟雾检测能力上的有效性。

基于特征融合的脑部图像多级分类

目前医学图像数量巨大,利用计算机处理医学图像从而辅助医疗诊断是医学领域研究的热点。根据脑部图像具有对称性的特点,选择支持向量机-递归特征消除(SVM-RFE)算法对融合特征进行特征选择过程中,引入Pearson系数衡量特征信息的冗余度,将特征相关性指标融入SVM-RFE特征子集的筛选标准中,提升了融合特征的分类性能。在一级分类基础上,基于特征学习方法,构建了2Layer-RBM-KNN二级脑部图像分类模型,增加网络深度以进行更高层次的特征抽象,并且结合数据集探究了分类器的选择,实现样本再分类。

基于信息融合的医疗影像辅助决策研究

乳腺癌是女性的高发癌症,威胁着全球女性的身体健康,因此乳腺癌良恶性研究与决策对于女性乳腺癌的诊断有着重要作用。本文研究提出了一种新的信息融合框架,用于对乳腺癌良恶性进行分类和预测,该框架首先对乳腺超声影像感兴趣区域提取纹理特征,之后对得到的纹理特征数据集使用4个基本分类器:朴素贝叶斯、决策树、SVM、KNN进行分类,对基本分类器的分类结果使用投票法进行决策,最后对分类器信息进行融合,并将4个基本分类器的分类结果与基于信息融合的分类器模型结果进行比较。通过实验确定,与单独的分类器相比,基于决策的分类器方法实现了较高的准确度和较低的分类错误率。

基于熔池特征融合的选区激光熔化缺陷预测方法研究

针对单一熔池特征对选区激光熔化缺陷预测精度不高的问题,提出了一种基于熔池特征融合的选区激光熔化过程缺陷预测机器学习模型。利用红外热像仪拍摄选区激光熔化过程中的熔池红外图像,检测工件中的缺陷并对其相对应的熔池红外图像进行类型标定。通过提取拍摄的熔池红外图像中熔池的灰度梯度特征、尺寸特征和形状特征,融合特征向量后得到新的特征向量,并传入K-邻近算法(KNN)中进行缺陷分类和缺陷预测,并通过比较算法预测缺陷的准确率确定K值。结果表明,运用这种融合特征分类KNN算法对选区激光熔化缺陷预测的准确率可达97.5%,相比单一熔池特征缺陷预测方法效果有较大的提升。

加权KNN的图文数据融合分类

目的图文数据在不同应用场景下的最佳分类方法各不相同,而现有语义级融合算法大多适用于图文数据分类方法相同的情况,若将其应用于不同分类方法时由于分类决策基准不统一导致分类结果不理想,大幅降低了融合分类性能。针对这一问题,提出基于加权KNN的融合分类方法。方法首先,分别利用softmax多分类器和多分类支持向量机(SVM)实现图像和文本分类,同时利用训练数据集各类别分类精确度加权后的图像和文本正确判别实例的分类决策值分别构建图像和文本KNN模型;再分别利用其对测试实例的图像和文本分类决策值进行预测,通过最邻近k个实例属于各类别的数目确定测试实例的分类概率,统一图像和文本的分类决策基准;最后利用训练数据集中图像和文本分类正确的数目确定测试实例中图像和文本分类概率的融合系数,实现统一分类决策基准下的图文数据融合。结果在Attribute Discovery数据集的图像文本对上进行实验,并与基准方法进行比较,实验结果表明,本文融合算法的分类精确度高于图像和文本各自的分类精确度,且平均分类精确度相比基准方法提高了4.45%;此外,本文算法对图文信息的平均整合能力相比基准方法提高了4.19%。结论本文算法将图像和文本不同分类方法的分类决策基准统一化,实现了图文数据的有效融合,具有较强的信息整合能力和较好的融合分类性能。