一种序列的加权kNN分类方法

针对加权kNN(k-Nearest Neighbor)方法在对样本进行分类时,仅仅只利用了它的k近邻点来进行分类决策的不足,提出了一种序列的加权kNN分类方法.该方法在对某个测试样本进行分类时,除了利用它k近邻点所提供的类别信息外,还有效地利用了前面已分类样本的类别信息,这使得测试样本的分类决策更加合理和有效.在Cohn-Kanade人脸库上进行的表情识别实验表明,在序列样本分类的场合,该方法的分类效果比加权kNN方法更好.

基于局部权重k-近质心近邻算法

k-近质心近邻原则是k-近邻原则的一种有效扩展,是有效的模式分类方法之一。k-近质心近邻原则容易受到局外点的影响;同时,所有的k-近质心近邻点在分类决策时具有相同的权重和分类贡献率,这显然是不合理的。为了解决这一问题,考虑到质心近邻在模式分类问题上具有近邻特性和空间分布特性,提出一种基于局部权重的近质心近邻算法,实验结果表明该LWKNCN算法在分类精度上优于传统的KNN算法和KNCN算法。

基于局部保持投影–加权k近邻规则的多模态间歇过程故障检测策略

针对多模态间歇过程故障检测问题,本文提出一种基于局部保持投影–加权k近邻规则(LPP--Wk NN)的故障检测策略.首先,应用局部保持投影(LPP)方法将原始数据投影到低维主元子空间;接下来,在主元子空间中,应用样本第k近邻的局部近邻集确定每个样本的权重并计算权重统计量Dw;最后,应用核密度估计方法确定Dw控制限并进行故障检测.本文方法应用LPP对过程数据进行维数约减,既能够降低训练过程中离群点对模型的影响,又能够降低在线故障检测的计算复杂度.同时,加权k近邻规则(Wk NN)方法通过引入权重规则能够使得过程故障检测统计量分布具有单模态结构.相比传统的k NN统计量,本文引入的权重统计量具有更高的故障检测性能.通过数值例子和半导体蚀刻过程的仿真实验,并与主元分析(PCA), k NN, Wk NN, LPP--k NN等方法进行比较,实验结果验证了本文方法的有效性.

基于局部加权重构的化工过程数据恢复算法

针对化工过程数据中存在缺失数据的问题,在保持局部数据结构特征的基础上提出了基于局部加权重构的化工过程数据恢复算法。通过定位缺失的数据点并以符号Na N(Not a Number)标记,将缺失的数据集分为完备数据集和不完备数据集。不完备的数据集按照完整性的大小依次找到它们在完备数据集中相应的k个近邻,根据误差平方和最小的原则,求出k个近邻相应的权值,用k个近邻及相应的权值重构出缺失的数据点。将该算法应用在不同缺失率下的两种化工过程数据中并与望最大化主成分分析(EM-PCA)法和平均值(MA)两种传统的数据恢复算法相比较,该算法的恢复数据误差最小,并且计算速度相比EM-PCA算法平均提高了2倍。实验结果表明,局部加权重构的化工过程数据恢复算法可以有效地对数据进行恢复,提高了数据的利用率,适用于非线性化工过程缺失数据的恢复。

邻域保持嵌入—加权k近邻故障检测算法及其在半导体蚀刻过程中的应用

为了解决复杂的多模态过程故障检测问题,提出了邻域保持嵌入—加权k近邻规则(neighborhood preserving embedding-weighted k-nearest neighbors,NPE-wkNN)质量监控方法.首先,利用邻域保持嵌入(neighborhood preserving embedding,NPE)得到特征空间中数据的流形结构;然后,在特征空间中确定每个样本第k近邻的前K近邻集并计算样本的权重.最后,将样本的加权距离作为统计量对过程进行质量监控.NPE-wkNN方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,权重规则消除了数据的多模态特征,从而提高了过程故障检测率.通过数值实例和半导体蚀刻工艺仿真实验,对比了传统的主元分析(principal component analysis,PCA)、NPE、k近邻(k-nearest neighbor,kNN)、加权k近邻(weighted kNN,wkNN)等方法,结果验证了本文方法的有效性.