基于PCA+KNN和kernal-PCA+KNN算法的废旧纺织物鉴别

该研究采集了15类废旧纺织物的4 998张近红外谱图,以7∶3的比例分为训练集和验证集,并分别采用主成分分析(PCA)与核主成分分析(kernal-PCA)两种不同降维方法对数据进行降维,并选用余弦相似度(cosine)核作为kernal-PCA的最佳核函数,最后分别将PCA和kernal-PCA降维处理后的数据进行k-近邻算法(KNN)训练。结果表明,kernal-PCA+KNN的模型准确率(95.17%)优于PCA+KNN模型的准确率(92.34%)。研究表明,kernal-PCA+KNN算法可以实现15类废旧纺织物识别准确率的提升,为废旧纺织物在线近红外自动分拣提供有力的技术支撑。

基于KNN算法的船舶操纵智能评估系统

为降低主观因素对船舶操纵评估结果的影响,提出一种基于K近邻(K-nearest neighbor,KNN)算法和多目标优化理论的船舶操纵智能评估模型。根据安全、平稳、高效的航行要求,建立这个模型的评价指标体系;采用变异系数法获得各评价指标的权重;根据评价指标提取对应特征值,构建未标记样本集;基于多目标优化理论建立评价指标目标函数,得到每个样本的成绩并排序,根据样本成绩构建标记样本集;利用KNN算法对待评估样本进行分类,得到本次操作的结果。利用C++语言开发船舶操纵智能评估系统,测试结果表明,系统评估结果与专家评估结果基本一致,能客观、准确实现船舶操纵自动评估。

基于KNN算法的配电网单相接地故障选线研究

小电流接地系统单相接地故障选线是配电网领域的一个难题,针对传统的采用单一判据的故障选线方案适用性差、选线精度低的问题,提出了一种基于K近邻(K-nearest-neighbor,KNN)算法的多源信息融合的单相接地故障选线方法,通过对故障数据处理选取故障特征量,结合KNN算法进行故障线路选线.算例仿真研究表明,该选线方法与逻辑回归算法、BP神经网络算法相比,在获得较高的准确率的同时可缩短选线时间,具有较好的应用前景.

应用非线性KNN数据搜索的三维叠前自由表面多次波预测

自由表面多次波预测(SRMP)是自由表面多次波消除(SRME)以及成像的重要环节。SRME技术尽管有效,但理论上需要规则而密集的地震数据采集方式。然而实际炮点、检波点空间分布稀疏,地震数据不能满足SRME理论要求,常规的做法是在SRME之前将地震数据规则化。为了避免数据规则化环节,首先建立索引数据树管理三维叠前地震数据,并采用基于树形数据结构的非线性K近邻算法(KNN)从地震数据中实时搜索两道近似地震数据;然后利用动校—反动校消除实时搜索得到的近似地震道与实际地震道之间的旅行时误差;由以上两步获得单道孔径内任意向下反射点(DRP)所需要的两道地震数据用于SRMP。单道孔径内任意DRP均可由SRMP预测对应的多次波模型道,叠加所有DRP对应的预测结果可获得该道稳定的多次波模型数据。将该方法用于扩展的三维Pluto模型数据,结果表明该方法能有效预测三维自由表面多次波,从而保证高质量的自由表面多次波衰减结果。实际地震数据的应用证明了方法的实用性。

基于赋权KNN-LSTM模型的PM_(2.5)质量浓度预测

在空气污染指数的监测中,传统单项预测方法不能反映PM_(2.5)质量浓度与复杂因素的非线性关系,文章提出一种基于赋权K近邻(K-nearest neighbor,KNN)算法的长短期记忆(long short-term memory,LSTM)神经网络模型来预测PM_(2.5)质量浓度。首先利用相关性分析提取与PM_(2.5)相关性较大的空间因素,并对每个时间节点选取K个近邻,赋予相应权重来表现不同的影响力度;然后通过重构原始数据K倍维度的新数据集,进行LSTM神经网络模型的监督学习训练,提取时间序列的特征和固有的长期依赖关系,最后实现PM_(2.5)日值质量浓度不同未来时刻的预测。实验结果表明,文中提出的赋权KNN-LSTM预测模型具有可行性和有效性,和其他模型相比,表现出较高精度的预测性能。

基于多标签属性的学术文献推荐研究

采集用户的标签行为形成标签数据集,运用K-近邻算法模型将标签数据集向量表示为多维的形式,利用欧氏距离公式评价各文献之间的相关度,从而实现主动向用户推荐文献。最后,针对计算复杂度和准确率等问题,提出今后研究方向。

三维扫描数据处理中数据结构的设计与比较

高效处理三维激光扫描数据的基础是设计一种合理的数据结构。介绍三种数据结构的原理,研究建立数据结构的关键技术。以解决扫描数据处理中常见的KNN问题为例,比较三种结构的优缺点。通过研究可以得出,八叉树结构是一种比较理想的数据结构。

基于机器学习的中药材种类及产地鉴定模型分析

为使中药材种类及产地鉴别结果更精准,研究了当数据量充足无缺失,且药材中红外或近红外光谱特征明显和当数据量较少,中红外和近红外光谱数据差异明显,数据类别标签较多,且存在数据缺失两种情况下中药材种类及产地鉴别方法.前者可通过主成分分析降维,再经过K-Means聚类鉴别其结果;或通过人工神经网络在分类后给出需要预测的中药材种类及产地鉴别结果;后者可对中药材的近红外和中红外光谱数据进行图示对比分析,同时结合K近邻算法数据分析,进行分类,通过相互验证方式鉴别其结果.

基于机器学习的电热防除冰表面温度变化趋势预测

针对飞机部件周期控制律电加热防除冰的应用,提出基于机器学习以预测电加热防除冰表面温度的变化趋势。依靠大型结冰风洞及其电加热防除冰控制系统完成防除冰试验,获得有效的试验数据,以通、断电周期为分割单元,将试验数据划分成验证集和训练集。根据电热防除冰过程的换热情况,构建样本的特征参数,利用机器学习的有监督学习方式,选择KNN近邻回归算法和局部线性加权回归算法预测温度变化率,再转换为温度,得到的温度变化与测量数据的线性相关性达到80%以上的高相似度结果,表明使用机器学习可快速预测电热防除冰部件的表面温度变化趋势,且不同的回归算法针对模型不同测温点位置的预测效果存在差异。

基于节点拓扑特性的网站无障碍抽样方法

针对已有无障碍网站抽样算法抽取的样本代表性不高,难以满足整体样本数据的分布特征,导致抽样误差大等问题,从网页节点间的拓扑结构入手,提出基于节点拓扑特性的间隔抽样算法.把每个网页作为一个节点,通过邻近构图算法(KNN)建立网页相似度拓扑图;根据节点局部和全局拓扑性质,对节点重要性进行评估和排序;在排序结果的基础上,采用间隔抽样算法,实现不同拓扑区域的分布抽样.真实残联网站上的实验数据表明,基于节点拓扑特性的间隔抽样算法与其他算法相比,在均值误差和分布性上具有更好的效果.

基于机器学习的双参数火灾探测方法

为解决单一技术在火灾探测上造成的误报、漏报现象,设计并建立可燃物燃烧试验平台,选取燃烧产物中质量浓度迅速升高的PM10及CO作为分类算法的特征参数,对特征参数进行数据处理后,采用逻辑回归(LR)、线性判别分析(LDA)、k近邻算法(kNN)、分类与回归树(CART)、朴素贝叶斯与支持向量机(SVM)等6种机器学习算法建立火灾探测模型,并评估分析其分类性能。结果表明:6种算法中kNN评估准确率、召回率、F_(1)值和kappa值均高于其他算法,且评估准确率达到95.2%,能够准确地识别燃烧状态;通过分类处理燃烧产物中快速变化的PM10及CO质量浓度,能够较准确识别火灾。

基于AS7263多通道光谱模块对草坪地物的分类与识别

本论述利用多通道光谱模块AS7263,收集与草坪相关地物的漫反射光谱数据,经归一化处理,通过对训练数据进行主成分分析和聚类分析,将数据分为四类,然后利用KNN算法对测试数据进行识别与分类。其中对植物、土壤、红地砖和混凝土类的数据识别正确率分别为95.12%、87.05%、76.92%和90.67%。结果表明:多通道漫反射光谱结合KNN算法,对植物和地物的识别区分是可行的。

基于PCA-KD-KNN方法的矿井突水水源判别分析研究

在煤矿开采过程中,矿井突水事故严重威胁着煤矿安全生产和工人的生命安全。为了快速准确地判别矿井突水水源,达到有效预防水害事故的目的,基于KD-tree(K-dimension tree)与KNN(K-Nearest Neighbor algorithm,KNN)算法,建立了矿井突水水源判别方法。根据矿井中不同含水层的水化学特征的差异性,选取9种水化学成分作为突水水源的判别指标。采用主成分分析法(PCA)进行数据降维;进一步运用K维树形结构存储训练样本,提高数据搜索效率,然后结合KNN算法进行突水水源判别。以蔚州矿区为例,采用矿区4个含水层的24组实测数据构建模型,其中16组作为训练样本,另外8组为测试样本,并与传统KNN算法的判别结果进行对比。结果表明:KD-tree确定了离待测样本最邻近的3个训练样本,降低了KNN算法的计算复杂度。对比KD-tree与KNN相结合的新方法与传统KNN算法的判别结果,新方法的准确率提高了25%,说明新方法能使判别结果更加快速准确。

基于傅里叶红外光谱技术的大米产地溯源快速判别方法研究

大米的品质受到基因遗传、气候、土壤等影响,不同产地的大米品质不同,为了鉴别大米的产地,应用德国Bruker VERTEX 70傅里叶红外光谱仪采集4个不同产地大米的傅里叶红外光谱,分别经过矢量归一化、一阶导数+13点平滑、一阶导数+13点平滑+矢量归一化、一阶导数+13点平滑+减去一条直线预处理后,建立偏最小二乘判别模型(Partial Least-squares Discrimination Analysis,PLS-DA)。结果表明:经过一阶导数+13点平滑+矢量归一化+PLS-DA处理后的模型识别率为92.29%,该模型对吉林、江苏、辽宁、浙江这4个产地的识别率分别为93.77%、91.24%、100%、75%。为了提高模型的识别率,对全光谱数据进行主成分分析(Principal Component Analysis,PCA)特征提取,建立不同成分特征的K近邻(K Nearest Neighbor,KNN)模型,结果表明:选取PCA前7成分特征作为KNN模型的输入,得到PCA-KNN模型识别率为94.27%,该模型对吉林、江苏、辽宁、浙江这4个产地的识别率分别为94.44%、94.12%、93.75%、93.33%。实验结果表明,利用傅里叶红外光谱技术对大米产地溯源具有一定的可行性。

2014～2017北京市气象条件和人为排放变化对空气质量改善的贡献评估

2014～2017年北京地区霾日数和污染日数逐年减少,PM_(2.5)、PM_(10)、SO_2和NO_2年平均质量浓度下降,污染程度缓解,采暖期中的11～12月尤为明显.针对空气质量的显著改善,从气象条件的改善和减排措施两方面进行探讨分析,并结合数值模式和大数据挖掘技术实现气象和排放对大气污染贡献率的定量化研究.结果表明,2017年与过去3 a相比,平均风速增加7. 9%,≥3. 4 m·s^(-1)的风速频次最高(10. 6%),≥70%湿度日占比最小(25. 1%);其中,采暖期与过去3 a同期相比,小风日数减少8. 6%、大气环境容量指数和通风指数平均增加约11%,边界层高度以3. 2%·a^(-1)的速率升高,尤其11～12月各要素改善更显著,且该时段内2014年各因子变化与2017年相似.非采暖期(4～10月)累积降水量558. 3 mm,仅次于2016年,有利于污染物的清除和湿沉降.利用WRF-CHEM对霾和污染频发的12月进行模拟发现,气象要素的改变导致2017年12月北京PM_(2.5)质量浓度较2014～2016年同期分别降低5%、38%和25%.因缺少政府实际施行的减排方案,无法利用WRF-CHEM量化气象和减排的具体贡献率,因此借助大数据挖掘算法,基于K近邻算法(KNN)和支持向量机(SVM)模型对气象和减排对空气质量改善的贡献进行评估,结果显示2017年减少的霾日和重污染日,65. 0%归因于减排的贡献,35. 0%归因为气象条件的改善.可见,气象与生态环境部门应继续加强数据开放共享,科学开展气象条件预报与减排评估.

全球气候变化与区域气象及空气质量的关系研究——以成都市为例

区域气象条件及空气质量或与全球气候变化关系密切。研究通过分析不同气候条件下成都地区1951~2017年主要气象要素及其2013~2017年大气污染物浓度变化趋势,并结合大数据挖掘技术探究厄尔尼诺/拉尼娜事件与成都地区气象及空气质量的关系。结果表明,全球气候变化对区域气象及空气质量影响明显。异常气候造成成都地区气温、降水、风速、日照时长等气象条件发生明显变化。这些变化通常利于大气扩散条件的改善而使污染物浓度下降,但相应时期的臭氧浓度却有所升高。研究同时利用KNN大数据挖掘算法评估不同气候条件下气象和减排对空气质量改善的贡献。结果显示,在全球厄尔尼诺发生频繁的2015年,成都地区重污染天数明显减少,气象和减排的贡献率分别为27%和73%;而在全球拉尼娜现象频发的2016年,成都地区空气质量也有明显改善,重污染天数的减少有42%归功于气象条件的变化,几乎与大气污染物的减排贡献相当。因此,为实现空气质量的有效改善,空气质量改善管理政策的制定,既要从源头上控制污染物的排放,同时也应考虑全球气候变化的影响。

区域气象条件和减排对空气质量改善的贡献评估

区域气象条件和减排与空气质量的变化关系密切.区域污染天气的发生不只受人为排放的影响,其与气象条件也密切有关.我国地处全球的主要季风气候区,大气环流具有明显的季风气候变化特征,区域气象条件受年际气候变化影响显著.研究通过分析不同气候条件下京津冀地区、成渝地区、长三角和珠三角城市群2001~2018年主要气象要素及其污染天气的变化趋势,利用KNN大数据挖掘算法量化分析区域气象条件和减排对大气污染的贡献率.结果表明,2001~2018年间全球气候变化异常频繁,厄尔尼诺/拉尼娜非正常气候占比近一半.减排与气候变化均对空气质量的改善起促进作用.在非正常气候条件下,气象对空气质量改善的贡献更为明显.例如,非正常气候时京津冀地区气象条件对空气质量改善的贡献约为51%,而正常气候时约为30%.对于长三角和珠三角城市群,其气象条件在非正常气候时的贡献达到了50%左右,几乎与减排贡献相当.此外,各区域2015~2018年的减排贡献均高于2001~2012年的平均水平,表明随着我国实施大气污染物排放控制措施力度的增大,减排对空气质量改善的贡献显著.但气象条件对空气质量改善的贡献仍不容忽视,区域减排控制仍然任重而道远.