不平衡数据中基于异类k距离的边界混合采样

不平衡数据集中,样本的分布位置对于决策边界具有差异性,传统的采样方法没有根据样本位置做区别化采样处理。为此提出一种不平衡数据中基于异类k距离的边界混合采样算法(BHSK)。通过异类k距离识别出边界集;再根据支持度将边界少数类样本细分为三类,分别采用不同的过采样方法和过采样倍率,根据少数类样本的不同重要性进行过采样,生成更具有信息的样本点;根据异类k距离删除部分非边界多数类样本点。实验结果表明,该算法在最小距离分类法下的少数类识别性能较几种常见的采样算法提高了1%~11%,验证了其有效性。

基于映射距离比离群因子的离群点检测算法

针对基于邻近性的离群点检测方法需要花费大量时间过滤正常点,并且在检测全局离群点时难以检测出局部离群点的问题,提出一种基于映射距离比离群因子离群点检测(MDROF)算法。首先,为了减少正常点在检测过程中的时间消耗,给出了差异相似度的概念,通过定义差异相似度剪枝因子过滤掉数据集中的大部分正常点。其次,定义映射k距离,通过映射距离与可达距离的比值刻画数据对象的局部离群程度,通过可达密度刻画数据对象的全局离群程度。最后,结合数据对象相互近邻点的平均排位定义映射距离比离群因子来检测离群点。在人工数据集以及真实数据集上分别对该算法与其他经典的离群点检测算法在精确率、AUC值和离群点发现曲线上进行实验对比分析。实验结果证明MDROF算法在离群点检测的准确性和稳定性上明显优于对比算法。

用于雷达信号分选的连通k近邻聚类算法

为了能够在密集且复杂多变的信号环境中进行实时有效的信号分选,需要一种具有较低复杂度且能够根据信号环境自动调整参数的聚类方法。在模糊聚类算法的基础上结合k近邻搜索,将λ邻域范围搜索变为λ邻域内k近邻搜索,提出了连通k近邻聚类(connected k-nearest neighbor clustering,CkNNC)算法。相比模糊聚类算法,所提算法时间复杂度降低而空间复杂度稍有增加。为使得该算法能够根据信号环境自动进行参数调整,提出了基于k距离图的阈值参数确定方法。所提算法具有时间复杂度低与阈值参数自动确定的特点,仿真结果表明所提算法与使用Calinski-Harabasz指标确定最佳阈值的低复杂度模糊聚类算法相比,分选效果差距不大、性能相近,而时间复杂度大幅下降。

基于Adaboost权值更新以及K-L距离的特征选择算法

对于颜色、纹理变化较大的目标,边界片段是一种较为稳定的特征.手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目,不能满足统计学习中大样本训练的要求.但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声.在这种情况下特征的选择就显得尤为关键.本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法,在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集.选择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据,有效地减少了背景中边界片段的干扰.实验证明该算法是有效的.

利用变异函数改进距离K方反比法

结合地质统计学理论,提出一种距离K方反比法的修正方案。该方案既考虑了矿化作用的空间变异性,又比克里格法计算量小。

基于投影分解与k最近邻距离的异常证据检测算法

为降低异常证据对合成结果的影响,提出了基于投影分解与k最近邻距离的异常证据检测算法。该算法在对证据集中所有证据进行焦元单一元素投影分解的基础上,重新构造证据的基本概率赋值,然后利用证据之间形成的欧式距离,采用k最近邻距离算法对异常证据进行检测。无线传感器网络应用实验分析表明:该算法可有效地对异常证据进行检测。对检测前后的证据利用证据合成规则进行融合对比结果发现,剔除了异常证据的合成结果并具有良好的峰值性和可分辨性,合成结果有利于融合决策。

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.

利用k近邻区间距离的异步抗差航迹关联算法

针对异步和系统误差并存情况下的航迹关联问题,提出利用航迹序列k近邻区间距离的异步抗差航迹关联算法。定义区间序列与区间点的k近邻区间距离度量,提出系统误差区间化方法,通过不等长航迹区间序列间的灰色关联度,利用经典分配法进行航迹关联判定。与传统算法相比,对系统误差先验信息的要求低。仿真结果表明,算法能以较高正确率实现稳定关联,具有良好的抗差性。算法亦可处理异步不等速率航迹关联问题,无需时域配准,具有明显的优势。

基于k近邻平均距离的异步航迹关联算法

针对异步不等速率下局部节点航迹关联复杂问题,提出了基于k近邻平均距离的异步航迹直接关联算法。首先,给出不等长航迹序列间的k近邻平均距离计算规则,进而计算得到不等长航迹序列间的灰色关联度,再利用经典分配法进行航迹关联判定。算法无需时间同步,避免估值误差传播积累。仿真数据表明,算法正确关联率高、耗时较短、局部节点采样周期和开机时机不一致等异步因素对算法影响不明显,并且算法不受噪声分布形式和目标数目变化的影响。

基于WPT中k值和距离关系的实验测量和理论分析比较

耦合系数k值和距离的关系在目前无线能量传输(WPT)的方案的设计和验证中,有非常重要的地位。由于在仿真和理论推导中,使用的均是k值;而在实验中,k值是无法直接测量得到的,直接得到的只有两个线圈的相对位置和线圈的参数。对于目前的实验器材和现在使用的正对式耦合方案,相对位置可以仅用距离d描述。因而,文章从实验出发,结合理论公式,意在理清k和d的关系,以方便之后的计算和实验。并且通过拟合的方式求解出了基于实验的经验公式k=f(d)。

由量纲和谐原理看爆破地震安全距离K系数取值的合理性

本文根据量纲分析原理,结合科研试验和工程实测资料分析工程爆破引起的岩层或土体震动的地面衰减规律,通过对较典型且可比性好的八种情况下爆破实测的地面震动衰减规律进行比较分析,对一般工程取用国家标准安全震速中K系数的主要影响因素进行定性定量的初步分析,并提出经验估算每次(或每段)起爆的安全炸药量的建议方法。

K—距离空间

本文指出了K—距离空间的概念并研究了它的拓扑结构.文中所示的结果概括了距离空间和2—距离空间的相应结果.

基于BIRCH-LKD的在站车辆中时异常检测算法

针对铁路车辆在站中转作业异常较多的情况,提出基于BIRCH-LKD的在站车辆中时异常检测算法.该算法以车辆中时序列为研究对象,不考虑异常值的具体形式,对序列分组,引入中时序列特征向量,做类球形簇转化;采用基于划分的显性异常检测方法得到中时序列特征向量的聚类特征树,查找序列显性异常,缩小异常检测范围;利用隐性异常检测算法计算剩余数据对象的K距离,根据距离差值变化规律,筛选序列隐性异常;最后,利用中时序列中位数异常判定条件,排除下界异常,实现中时序列的异常检测.实验结果表明,该算法检出率高,能够快速识别中时序列异常值,有效率达85%以上,去除异常值后的中时序列符合实际情况的趋势且更加平稳.

给定距离数的有限点集直径图的研究

给定一平面点集X,若点集X确定k个互异距离,则称X为k距离集,其中最长距离称为直径D。XD表示所有直径端点构成的集合,m=m(X)=|XD|表示XD中的元素个数。DG(XD)表示X中的所有直径构成的图形。令g(k)表示确定k个距离的最大点集所含点的个数,目前对k≤6的g(k)取值有了确切的结果。研究了距离数k≥7的平面点集。首先,对m=|XD|=2k-1的k距离直径图DG(XD)中所有顶点的度值d(v)分析判断,得出d(v)≤2。在此基础上研究了7距离集的情形,证明当7距离集的直径图为DG(XD)=P10∪P2时,必有XD=R15-3。这是研究最大7距离集的基础。

改进KNN-SVM的性别识别

针对支持向量机(SVM)在超平面附近进行性别识别的不准确性,引入进行加权的K近邻(KNN)算法。提出了结合加权KNN和SVM的改进KNN-SVM算法,该算法用少量已知性别样本自动确定加权KNN与SVM的最优分类阈值,并计算待识别样本和支持向量机所确定的超平面的距离,通过距离与阈值的比较进行性别识别。基于FERET人脸库进行性别实验,实验结果表明,该算法比SVM算法和不进行加权处理的KNN-SVM算法的识别率更高。

基于距离统计的有序纹理点云离群点检测

三维数据的离群点检测是纹理点云数据处理的重要内容之一,为了有效快速地检测离群点,根据纹理点云的有序结构特征,提出了基于距离统计的检测算法。首先在每个点到其K邻域中其他点距离的基础上计算出K邻域距离;然后根据有序点云中该距离符合正态分布的特点和正态分布3σ定理,将超出3倍方差范围的点认定为离群点。实验结果显示算法采用曼哈顿-最大距离进行检测,当K为4时可以更加快速准确地将有序点云中的离群点检测出来。由此得出,基于距离统计的算法可以有效地将离群点检测出来,同时成功地应用于纹理点云的离群点检测。

一种改进的K-means聚类算法与孤立点检测研究

传统的K-means算法对于孤立点数据是非常敏感的,少量的该类数据就能对聚类结果产生很大影响。该文提出了一种改进的K-means算法来消弱这种敏感性。算法基于孤立点检测LOF算法中计算K距离的思想,将大于K距离的数据点作为伪聚类中心参与聚类划分,通过对聚类结果的评价来判断该数据点是否为孤立点。若为孤立点则去掉该点,进而来提高聚类质量。

基于逆k近邻计数和权值剪枝的离群数据挖掘算法

利用逆k近邻计数与k近邻距离均值相结合的方式,给出了一种无监督离群数据挖掘算法.该算法以k近邻对象集合、k近邻对象距离作为前提条件,首先计算数据集中对象的逆k近邻计数,求得每个对象的antihub分数;其次,根据k近邻距离得到每个对象KNN的antihub分数和权值,将权值大于等于1的对象保存在离群对象候选集List中;然后根据antihub分数以及k近邻距离均值,重新定义了离群分数公式,选取离群分数最大的若干个对象作为离群对象;最后,采用人工数据集和UCI标准数据集,实验验证了该算法的有效性.

基于稀疏残差距离的多工况过程故障检测方法研究

针对多工况过程,本文提出一种新的基于稀疏残差距离(Sparse residual distance, SRD)统计指标的故障检测方法.首先对正常的多工况标准化后数据直接进行稀疏分解,提取多个工况数据间相关关系,得到字典和对应的稀疏编码,以便构建全局检测模型,避免分工况且突出数据特征.然后计算正常多工况数据的近似值,构建稀疏残差空间,提出计算稀疏残差k近邻距离构建故障检测统计量,利用k近邻捕捉过程具有的非线性、多工况特征.最后通过数值案例和TE (Tennessee Eastman)生产过程进行仿真实验,验证了所提方法的有效性.

C^n中K─双曲区域上的Schwarz唯一性定理

本文讨论了Ｃｎ中Ｋ─双曲连通区域Ω到自身的全纯映射ｆ，证明了：如果ｆ在Ω有一个不动点，且ｆ在这点的Ｊａｃｏｂｉ行列式的模是１，则ｆ是Ω上的自同构映射。从而，将Ｃａｒｔａｎ与Ｃａｒａｔｈｅｏｄｏｒｙ的唯一性定理由有界域推广到Ｋ─双曲区域。