最近邻

摘要： 高维数据通常包含大量冗余特征,为了更好地选择数据集中的有效特征,提出了一种解决高维数据特征选择问题的量子樽海鞘群算法。在函数优化问题上与粒子群算法、正余弦算法、蝴蝶优化算法和飞蛾火焰算法等智能优化算法进行仿真比较,结果表明,量子樽海鞘群算法能够在9个测试函数上更好的求解函数最优值问题;在数据特征选择问题上与标准樽海鞘群算法和其他改进樽海鞘群算法进行仿真性能比较,通过结合最近邻(KNN)分类器到改进樽海鞘群算法中,能够更好地选择高维数据集中的有效特征,在保证分类精度的情况下有效选择数据的特征数目。

摘要： 高光谱图像有着光谱信息和空间信息融为一体的特性,像元光谱的高维特性造成数据的解译存在困难。将特定的相似性度量加以复合,可以增强像元的细节信息,提高彼此的区分度。稀疏表示或协同表示模型在高光谱图像分类中取得良好的效果。通过复合度量选择最近邻,从表示模型的训练字典中可选出数目更少的个性化原子,生成的新字典冗余度低于原训练字典。采用这一字典构建方式,结合非一致的正则化项,提出了一种高光谱图像分类算法。在基准数据集上实验获得的结果表明,算法的分类准确率或时间耗费优于未改进的参照分类器。

摘要： 该模型首先采用合成少数类过采样技术编辑的最近邻来平衡训练数据分布,然后通过集成学习算法XGBoost预测心脏病。为了验证模型效果,本文采用心脏病患者真实医疗数据,利用专家咨询法提取特征,并通过混淆矩阵进行模型评估。与4类基线算法相比,所提模型在AUC、Accuracy、Recall和F-Score指标的评测下均表现良好。实验结果显示,所提模型能够为心脏病预测提供更精准、更智能的辅助参考,同时可以在一定程度上提高诊断的效率和心脏病预测的准确率。

摘要： 为有效预测高速公路短时交通流,提出一种将K近邻(KNN)法和主成分分析(PCA)法相结合的KNN-PCA法。工作流程为:1)采用KNN法筛选出与当前状态相似的多条交通流(即近邻);2)将所有相似交通流延拓至待预测时刻,并将其表达为矩阵形式后进行PCA以得到主成分;3)将当前交通流延拓至预测时刻并将其表达为少数起主要贡献主成分的线性组合;4)采用最小二乘法直接得到这些主成分的组合系数估计值;5)基于组合系数估计值,将这些主成分再次线性组合后,直接提取预测时刻的交通量。基于高速公路实测交通流进行数据分析,应用结果表明,KNN-PCA法原理清晰,计算简单,具有良好的预测能力,能很好地预测短时交通流的变化趋势。

摘要： 为有效获取复杂交通场景下的高分辨率车辆轨迹数据,提出了一种基于FMCW毫米波雷达的车辆轨迹跟踪方法。首先,在实际场景中利用毫米波雷达系统获取目标运动状态原始数据,经预处理剔除异常量测值。然后,通过轨迹状态管理机制,利用设置了矩形跟踪门和关联准则的改进最近邻点迹关联算法产生点迹关联对,实现目标轨迹的状态更新,进而完成车辆轨迹提取。最后,采用三阶贝塞尔曲线算法对车辆原始轨迹做平滑处理。实例应用发现,在前250帧原始数据中共提取到13条有效车辆轨迹,正确率为100%,有效提高了多目标轨迹跟踪准确度;经平滑处理后,13条原始轨迹4次多项式曲线拟合的平均径向距离误差由0.555降至0.446,有效改善了原始轨迹平滑度,这表明所用方法能够有效实现复杂交通场景下的多车辆目标检测与轨迹跟踪。

摘要： 基于动态图的密度峰值聚类标签传播算法(DPC-DLP)是密度峰值聚类算法(DPC)的一种改进算法,该算法涉及的相关参数过于复杂,并且算法在每次迭代时都会使用标签数据,会出现标签错误扩大化现象,存在迭代次数过多导致聚类效果恶化等问题。针对上述问题,提出了一种最近邻的密度峰值聚类标签传播算法(DPC-NLP)。该算法主要有三个步骤:首先利用局部密度和最小距离对样本点进行打分,根据分数确定聚类中心,然后使用聚类中心的标签在其最近邻内形成簇骨干,最后使用最近邻的标签传播方法将簇骨干的标签传播到剩余样本上,并形成最终的聚类结果。最近邻标签传播算法充分考虑数据间的结构关联性情况,并在传播的过程中不断更新数据的状态,利用更充分的信息提高分配正确率。在人工和真实数据集上对算法进行验证,并与目前主流的聚类算法进行比较,实验结果表明,DPC-NLP在性能和鲁棒性方面表现优越,并可以处理流形和非线性等复杂数据。

摘要： 针对最近邻(NN)方法在异常结构化查询语句(SQL)检测应用中面临的存储开销大、检索速度慢的问题,提出了一种基于哈希学习的异常SQL检测(HMSD)方法.该算法利用哈希学习来学习查询SQL语句的二值编码表示.首先,对查询SQL语句进行清洗去重,从而将查询SQL语句表示为实值特征形式;然后利用等方差哈希方法来学习查询SQL语句的二值编码表示;最后,通过二值编码表示进行检索并提高异常SQL检测的速度.实验结果表明,在异常SQL检测数据集Wafamole上,将数据集进行随机划分,使训练集包含10000条SQL语句,测试集包含30000条SQL语句,在128比特长度下,与最近邻方法相比,所提算法的检测精度提高了1.3％,假正例率(FPR)降低了0.19％,假负例率(FNR)降低了2.41％,检索时间减少了94％,存储开销降低了97.5％;与支持向量机方法相比,所提算法的检测精度提高了0.17％,验证了所提算法能解决最近邻方法在异常SQL检测中存在的问题.

摘要： 为了提高基于粗糙集理论的不完备数据分析方法(ROUSTIDA)在实际应用中对包含离散型(如整型、字符串型、枚举型)、连续型(如浮点数表达)、缺失型属性的混合信息系统(HIS)数据的填补能力,提出了一种基于粗糙集理论的混合信息系统缺失值填补方法(RSHISMIA).首先,根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分,解决了填补后可能出现的决策规则冲突问题;其次,定义混合距离矩阵来合理量化对象间的相似性,从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点;然后,结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题.最后,使用10个UCI标准数据集进行实验,将所提出的方法与ROUSTIDA、K近邻填补(KNNI)算法、随机森林填补(RFI)算法和矩阵分解(MF)等几种经典算法进行了比较.实验结果表明,与ROUSTIDA相比,所提方法在查全率上平均高出81％,在查准率上提升了5％～53％,且其归一化均方根误差(NRMSE)最多减小了0.12.此外,所提方法的分类准确率与ROUSTIDA相比平均提升了7％,且优于KNNI、RFI及MF等填补算法.

摘要： 为解决掠飞弹载激光雷达点云数据稀疏的问题,提出一种区分边缘点与非边缘点的分类插值重构算法。通过待插值点邻域点集的高度差对待插值点分类;对边缘点采用改进的最近邻插值算法;对非边缘点采用邻域点集反距离加权插值算法。仿真结果表明新算法能有效保留距离像的边缘信息,为后续距离像的目标分割提供技术支持。

摘要： 为解决掠飞弹载激光雷达点云数据稀疏的问题,提出一种区分边缘点与非边缘点的分类插值重构算法.通过待插值点邻域点集的高度差对待插值点分类;对边缘点采用改进的最近邻插值算法;对非边缘点采用邻域点集反距离加权插值算法.仿真结果表明新算法能有效保留距离像的边缘信息,为后续距离像的目标分割提供技术支持.

摘要： 在数据库知识发现的过程中，特征选取作为一个重要的步骤，它通过去除无关／冗余属性，以提高数据挖掘算法的效率和性能。粗糙集合作为知识发现的一种形式化框架，使用缩减和相对缩减来阐述特征选取。在此基础上，Ｓｋｏｗｒｏｎ Ａ．等提出了区分矩阵作为计算缩减和相对缩减的工具。但是由于区分矩阵的空间复杂度为Ｏ（ㄧＵㄧ〈’２〉＊ㄧＡㄧ），难以应用于实际的数据库。该文基于粗糙集合的理论框架，利用最近邻的思想，提出了一个特征子集选取的算法ＲＳＮＮ＿ＦＳ来计算决策表的近似缩减。该算法具有良好的空间复杂性，具有渐近式能力，以及抗噪音能力。

摘要： 首先利用基于最近邻的层次聚类算法将大规模TSP问题进行层次聚类,对每一子类形成一个规模较小的TSP问题,利用改进后的免疫算法对每个子问题进行求解,将各小规模TSP问题的最优解合并,最后再用免疫算法将其优化调整得到大规模TSP问题的最优解。实验表明对于大规模TSP问题,该算法具有更快的求解效率和更好的求解结果。

摘要： 当海量样本之间相互混迭时,支持向量数目急剧增加,导致训练难度增大的同时SVM分类器性能明显下降.针对该问题,在此构造模糊KNN决策与支持向量机相结合的新的柔性SVM分类器.它先建立所有训练样本的类间最近邻距离,根据各个训练数据的类间最近邻距离进行升序排列;然后根据模糊k近邻分析结果对训练样本集进行修剪,在剩余空间中选择合适规模的样本子空间进行SVM训练.在分类阶段,首先计算待识别样本和SVM超平面的距离,如果距离大于某一设定门限,直接利用SVM进行分类,否则带入到所有支持向量与修剪样本合成的模糊KNN分类器中进行分类判决.对比实验结果表明,提出的算法无论是训练速度还是分类精度都远远好于单独的SVM分类器.

摘要： 一种房间校准的方法包括针对多个扬声器中的每个扬声器测量在房间中的多个测量点处的多个脉冲响应。所述方法还包括基于所述多个脉冲响应来确定在每个扬声器的多个测量点处的多个传递函数。此外，所述方法还包括对传递函数加权及求和以获得每个扬声器的加权及求和的声音曲线。

摘要： 本发明公开一种基于K最近邻迭代最近网格算法的叶片轮廓误差评价方法，在叶片表面轮廓误差评价方法采用五轴测量系统获取整个叶片表面的测量点云，以测量点云到理想型面三角面片的最大最小距离作为目标函数，通过KNN‑ICM算法进行测量点云与三角剖分后的CAD模型的匹配和分析，相比传统的误差评价方法，本方法提升了测量点到理想型面距离的计算精度和效率，能更为准确地反映出工件的轮廓误差，减少了计算时的内存消耗；本方法解决关键截面法分析不全面的问题，完整的反映叶片型面整体和各部分的偏差分布。

摘要： 本发明提出的一种结合VP树和导向近邻图的近似最近邻搜索方法，该方法包括两个过程：索引构建过程和搜索过程。索引构建过程包含：(1)针对高维向量数据构建存放入口点的VP树；(2)使用可导航伸展图将高维向量数据构建成K近邻图；(3)将K近邻图中的每个点的邻居集均匀地划分来得到可导向近邻图。搜索过程包含：(1)查找入口点阶段，通过搜索VP树快速得到大致接近查询点的入口点；(2)导向搜索阶段，从入口点开始，得到查询点的局部最近点；(3)穷尽搜索阶段，利用范围搜索算法穷尽搜索查询点附近的点并返回查询点的top–K个最近点。本发明使用混合式搜索策略有效提升了近似最近邻搜索的性能。

摘要： 本发明公开一种基于K最近邻迭代最近网格算法的叶片轮廓误差评价方法，在叶片表面轮廓误差评价方法采用五轴测量系统获取整个叶片表面的测量点云，以测量点云到理想型面三角面片的最大最小距离作为目标函数，通过KNN‑ICM算法进行测量点云与三角剖分后的CAD模型的匹配和分析，相比传统的误差评价方法，本方法提升了测量点到理想型面距离的计算精度和效率，能更为准确地反映出工件的轮廓误差，减少了计算时的内存消耗；本方法解决关键截面法分析不全面的问题，完整的反映叶片型面整体和各部分的偏差分布。

摘要： 本发明公开了一种基于加权K最近邻算法的浮选工况识别方法及系统，通过对泡沫图像数据集中模糊和不确定的数据、以及各类特征的不同分布进行模糊多邻域颗粒的设置；引入熵的概念计算出由特征子集诱导的模糊多邻域颗粒所提供的信息量，并在模糊多粒度信息理论框架下充分考虑泡沫图像特征间的多重关系；根据特征间的多重关系构建目标评价函数，计算出每个特征的函数值，并对特征进行排序；利用计算出的特征函数值对K近邻算法进行加权；选取分类准确率最高的特征子集作为浮选工况识别的最优特征子集。本发明充分考虑到泡沫图像特征间存在的多重关系，能充分利用好特征提供的有用信息，分类效率和分类准确率高。

摘要： 基于最近邻像素预测的可分离加密域可逆信息隐藏方法，属于信息隐藏技术领域，具体方法为：内容的所有者首先对原始图像进行预处理，并通过动态标记2×2块内的误差区间最大限度地空出冗余空间，然后利用流密码对处理后的图像进行加密；信息隐藏者获得含冗余空间的加密图像后，在不知道原始图像内容的情况下，根据隐藏密钥，在空出的冗余空间中利用位替换的方式直接嵌入附加信息；接收者根据其所持有密钥的不同，可分离地完成附加信息提取和原始图像恢复的操作。实验结果表明，与现有的几种同类算法相比，本发明提出的算法具有更高的嵌入容量，尤其对于纹理不太复杂的图像，嵌入容量性能提升显著。

摘要： 本发明提供了一种基于最近邻KNN和改进波函数的量子聚类方法，其包括：获取一组待分类样本点的原始数据并将其归一化，基于最近邻KNN确定量子聚类模型的输入参数，计算所有样本点的波函数参数，波函数参数包括计算波函数所服从分布的尺度参数和形状参数，计算量子聚类的势能面，根据所计算的势能面来确定分类个数和分类边界。本发明所提方法继承了量子聚类方法的所有优点，且更适合对服从威布尔分布的数据进行分类，为数据分类提供了一种新的选择，同时既不需要人为给定任何输入参数，也不需要给出样本数据的分类标签，即可计算得到量子聚类模型的输入参数，实用性强且准确率高。

摘要： 本发明是一种基于最近邻与困难样本挖掘的无监督图像嵌入学习方法，包括步骤1：搭建深度学习框架运行环境；步骤2：搭建执行无监督嵌入学习任务的网络模型；步骤3：使用数据集通过端到端的方式对网络进行训练；步骤4：将步骤3完成训练后的图像输入到无监督嵌入学习任务的网络模型中，根据图像特征之间的余弦相似性检索出相似度最近的图像，如检索到的图像属于同一类别，则检索成功。该方法利用深度神经网络对图像提取特征，然后根据特征之间的余弦相似性，挖掘样本的最近邻域，从而将图像分为若干个邻域，邻域内的样本图像共享伪类别信息，使得模型能够学习到图像的高判别性特征。

摘要： 本发明属于量子计算技术领域，具体涉及基于多矩阵变换的CNOT量子线路最近邻综合优化方法。本发明包括以下步骤：步骤1、根据CNOT线路生成对应的布尔矩阵M；步骤2、生成布尔矩阵M的转置矩阵TM，中心翻转矩阵FM以及中心翻转矩阵的转置矩阵FTM，并将它们依次存入列表matrix_list中；步骤3、遍历matrix_list，生成四种矩阵对应的综合线路实例p_i(1≤i≤4)；步骤4、开始计时，调用每一个实例p_i的start()方法和jion()方法，各自运行四个综合方法对应的进程，结束计时；步骤5、根据每个进程返回的cont_gates变量值获取四种综合方法的线路代价，选取最小的代价对应的CNOT门序；步骤6、返回代价最小的最近邻CNOT线路和算法运行时间。

摘要： 可修整用于执行最近邻搜索以用于对点云数据进行编码的搜索空间。可使用空间填充曲线的范围识别要从搜索空间中排除的点。另外，可基于该空间填充曲线的这些范围搜索相邻体素以识别在修整的搜索期间丢失的任何相邻点。