提出了一种特别的特征表示方法,并在此基础上提出了一种基于特别的特征表示方法的局部线性K最近邻算法(locally linear K-nearest neighbor method,L^2KNN),并将之应用到人脸识别中。特别的特征表示方法是在传统的稀疏表示的基础上,加...提出了一种特别的特征表示方法,并在此基础上提出了一种基于特别的特征表示方法的局部线性K最近邻算法(locally linear K-nearest neighbor method,L^2KNN),并将之应用到人脸识别中。特别的特征表示方法是在传统的稀疏表示的基础上,加入了非负约束,改进了传统的稀疏表示的方法,在目标函数中增加了集群正则化项,然后优化新的目标函数得到一个新的近似的特征表示。L^2KNN算法具有最近邻集群效应(clustering effect of nearest neighbors,CENN),不仅可以增强测试样本与同类的训练样本之间的相关性,而且可以增强同类训练样本之间的相关性。L^2KNN算法进一步应用到L^2KNNc(L^2KNN-based classifier)分类器中,并提出一种系数截断的方法增加L^2KNNc分类器的泛化性能,进一步提高分类器的分类性能。在人脸数据集上的实验结果证明了上述结论。展开更多
针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合...针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明:与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12. 28%,可为交通诱导与控制提供必要的依据.展开更多
针对目前符号数据的分类性能较低,通过挖掘属性值与标签之间可能存在的空间结构关系,提出了一种基于空间相关性分析的符号数据分类方法。该方法首先采用独热编码的方式对符号数据进行特征扩容,然后基于互信息和条件熵信息度量方法,定义...针对目前符号数据的分类性能较低,通过挖掘属性值与标签之间可能存在的空间结构关系,提出了一种基于空间相关性分析的符号数据分类方法。该方法首先采用独热编码的方式对符号数据进行特征扩容,然后基于互信息和条件熵信息度量方法,定义了一种符号数据空间关系表示方法。在此基础上,分别结合支持向量机(support vector machine,SVM)和K-最近邻(K-nearest neighbor,KNN)模型分类器,提出了基于空间相关性分析的SVM分类算法(SVM classification algorithm based on space correlation analysis,SCA_SVM)和基于空间相关性分析的KNN分类算法(KNN classification algorithm based on space correlation analysis,SCA_KNN)两种分类算法。该方法既能够体现出属性值与标签之间的关联关系,也可以有效地度量不同属性值之间的距离或差异性。在标准UCI数据集上的实验结果表明,该方法在分类性能上更加有效。展开更多
文摘提出了一种特别的特征表示方法,并在此基础上提出了一种基于特别的特征表示方法的局部线性K最近邻算法(locally linear K-nearest neighbor method,L^2KNN),并将之应用到人脸识别中。特别的特征表示方法是在传统的稀疏表示的基础上,加入了非负约束,改进了传统的稀疏表示的方法,在目标函数中增加了集群正则化项,然后优化新的目标函数得到一个新的近似的特征表示。L^2KNN算法具有最近邻集群效应(clustering effect of nearest neighbors,CENN),不仅可以增强测试样本与同类的训练样本之间的相关性,而且可以增强同类训练样本之间的相关性。L^2KNN算法进一步应用到L^2KNNc(L^2KNN-based classifier)分类器中,并提出一种系数截断的方法增加L^2KNNc分类器的泛化性能,进一步提高分类器的分类性能。在人脸数据集上的实验结果证明了上述结论。
文摘针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明:与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12. 28%,可为交通诱导与控制提供必要的依据.
文摘针对目前符号数据的分类性能较低,通过挖掘属性值与标签之间可能存在的空间结构关系,提出了一种基于空间相关性分析的符号数据分类方法。该方法首先采用独热编码的方式对符号数据进行特征扩容,然后基于互信息和条件熵信息度量方法,定义了一种符号数据空间关系表示方法。在此基础上,分别结合支持向量机(support vector machine,SVM)和K-最近邻(K-nearest neighbor,KNN)模型分类器,提出了基于空间相关性分析的SVM分类算法(SVM classification algorithm based on space correlation analysis,SCA_SVM)和基于空间相关性分析的KNN分类算法(KNN classification algorithm based on space correlation analysis,SCA_KNN)两种分类算法。该方法既能够体现出属性值与标签之间的关联关系,也可以有效地度量不同属性值之间的距离或差异性。在标准UCI数据集上的实验结果表明,该方法在分类性能上更加有效。