近邻

摘要： 异常点检测是数据挖掘领域的一个重要研究方向,传统的基于近邻和局部异常因子的异常点检测算法存在计算复杂度高和误检率高的缺陷.为解决该缺陷,提出一种基于观测点机制的异常点检测(observation-point mechanism-based outlier detection,OPOD)算法.首先在原始样本空间中随机放置若干观测点,然后计算观测点与样本点之间的距离,将原始数据转换为与观测点相对应的距离数据,再估计距离数据的概率密度函数,进而计算距离数据出现的概率值,最后通过对多个观测点距离数据概率值的融合最终确定原始样本点中的异常点.基于PyCharm平台,采用sklearn.datasets的make_blobs函数生成仿真数据集,分别测试不同规模和不同维度数据集对OPOD算法性能的影响,并对比了OPOD算法、基于局部异常因子的异常点检测(local outlier factor-based outlier detection,LOFOD)算法和基于近邻的异常点检测(nearest neighbor-based outlier detection,NNOD)算法的运行时间、异常点召回率和误检率.结果表明,OPOD算法具有对异常点进行检测的能力,且随着观测点数量的增加算法呈收敛趋势;观测点选取合适的条件下,具有比基于近邻和局部异常因子的异常点检测算法更低的时间复杂度和更好的异常点检测效果.

摘要： 2022年5月,中国科学家提出一项通过空间望远镜开展的“近邻宜居行星巡天计划”,寻找距离地球约32光年的太阳系外宜居类地行星。如果实施,这将是国际上首次专门在近邻类太阳型恒星周围寻找宜居类地行星的空间探测任务,而该则消息也使得关于寻找宜居类地行星的研究再次成为焦点。

摘要： 只田鼠和一只鼹鼠闹翻了。他俩本来是好朋友,又是近邻,就为了一丁点儿的小事,他们吵得谁也不理谁了。可是,没过多久,他们就憋得浑身难受。

摘要： 在厦门市思明区,有的社区没有“物业”,居民们不用缴交物业管理费,但所能享受到的社区服务一样也不少。这只是思明区深入实践“近邻”模式的效应之一。

摘要： 聚类是一种重要的数据分析与预处理技术。与传统的静态聚类分析方法相比,基于同步模型的聚类算法属于一种动态演化的聚类分析技术。先提出了应用到聚类中的两种指数衰减加权同步模型和一种δ近邻指数衰减加权同步模型。对前两种同步模型,提出了基于指数衰减加权同步模型的聚类算法;对后一种同步模型和已发表的扩展Kuramoto模型、Vicsek简化模型及Vicsek模型的一个线性版本,提出了基于近邻同步模型的聚类算法。然后比较分析了这些同步聚类模型的算法复杂度、性质及特点。在人工数据集和8个UCI数据集的仿真实验中,对这几种同步聚类模型在聚类精度、聚类速度等方面进行了适当的比较。最后对基于同步模型的聚类算法的发展进行了总结及展望。

摘要： 聚类是一种重要的数据分析与预处理技术.与传统的静态聚类分析方法相比,基于同步模型的聚类算法属于一种动态演化的聚类分析技术.先提出了应用到聚类中的两种指数衰减加权同步模型和一种δ近邻指数衰减加权同步模型.对前两种同步模型,提出了基于指数衰减加权同步模型的聚类算法;对后一种同步模型和已发表的扩展Kuramoto模型、Vicsek简化模型及Vicsek模型的一个线性版本,提出了基于近邻同步模型的聚类算法.然后比较分析了这些同步聚类模型的算法复杂度、性质及特点.在人工数据集和8个UCI数据集的仿真实验中,对这几种同步聚类模型在聚类精度、聚类速度等方面进行了适当的比较.最后对基于同步模型的聚类算法的发展进行了总结及展望.

摘要： 为了解决因引入局部化思想的线性判别分析(Linear Discriminant Analysis, LDA)方法需要人工设置邻居个数而无法以自适应的方式挖掘数据的局部结构问题,提出了一种无参数的局部线性判别分析(Parameter-free Local Linear Discriminant Analysis, Pf-LLDA)方法。该方法首先建立了一个关于权重矩阵和变换矩阵的统一优化模型。然后,通过使用交替方向的方法迭代求解出了与数据局部结构相关的权重矩阵和与判别分析相关的变换矩阵。从而使得Pf-LLDA在无需人为设定邻居个数的情况下,自适应地挖掘出了数据的局部结构并最终实现了局部线性判别分析的能力。在仿真数据集和手写体真实数据集上的实验结果表明,Pf-LLDA挖掘出数据局部结构的同时实现了更优的判别分析结果。

摘要： 针对经典K-means算法对不均衡数据进行聚类时产生的"均匀效应"问题,提出一种基于近邻的不均衡数据聚类算法(Clustering algorithm for imbalanced data based on nearest neighbor,CABON). CABON算法首先对数据对象进行初始聚类,通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合;并给出一种类别待定集的动态调整机制,利用近邻思想实现此集合中数据对象所属类别的重新划分,按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中,得到最终的聚类结果,以避免"均匀效应"对聚类结果的影响. 将该算法与K-means、多中心的非平衡K_均值聚类方法(Imbalanced K-means clustering method with multiple centers,MC_IK)和非均匀数据的变异系数聚类算法(Coefficient of variation clustering for non-uniform data,CVCN)在人工数据集和真实数据集上分别进行实验对比,结果表明 CABON算法能够有效消减 K-means算法对不均衡数据聚类时所产生的"均匀效应" ,聚类效果明显优于K-means、MC_IK和CVCN算法.

摘要： 本发明属于计算机视觉视频分类领域，为了解决现有技术对视频中的运动信息挖掘不足，引入监督信号过少，模型训练效率低下以及学习到的特征判别性不足，这些均导致视频分类的准确率较低的问题，提供基于近邻一致性和对比学习的半监督视频分类方法及系统。其中基于近邻一致性和对比学习的半监督视频分类方法包括提取待分类视频样本的RGB帧图像；基于RGB帧图像及训练好的教师网络，得到所有视频分类的预测分布，将概率最大的类别作为分类结果；其基于教师‑学生网络对视频进行分类，能够在仅有少量标注数据的情况下提高视频分类的准确性。

摘要： 本发明公开了一种基于非对称k近邻矩阵的增量式共享近邻获取方法，获取无人机飞行数据集D的原始共享近邻矩阵，更新k近邻距离向量、非对称k近邻矩阵，计算无人机飞行数据集D对应的上三角共享近邻矩阵以及原始共享近邻矩阵；计算新添数据点dp的k近邻行向量和逆k近邻列向量，更新非对称k近邻矩阵；非对称k近邻矩阵赋值；赋值更新后的共享近邻矩阵，替换更新后的共享近邻矩阵中的部分数据点，新添数据点dp插入无人机飞行数据集D，替换非对称k近邻矩阵和原始共享近邻矩阵，重复上述步骤。本发明算法实现了共享近邻的增量式获取，将现有静态共享近邻获取方法推广到了动态。

摘要： 本发明涉及一种动态k近邻图的构建方法及基于动态k近邻图的快速图像检索方法，其实现了对近似k近邻图的在线更新，并基于该动态k近邻图实现了快速的图像检索，由于未假定向量间的距离度量，该方法具有良好的泛化性，并且在保证k近邻图的质量的同时在大部分数据集上展现了超过最近邻下降方法的建图效率，在数个图像特征数据集上的检索效率也要好于HNSW等被广泛认可的方法。

摘要： 本发明通过人工智能领域的方法，实现了一种基于近邻自编码器的近邻异常检测系统，系统设计针对KNN的降维‑检测框架，通过输入模块导入异常数据集，经过所述KNN的降维‑检测框架运算后，通过输出模块输出异常得分，系统由参数选择方案确定其系统参数，运行过程为首先通过KD‑tree计算每个数据点的近邻点组成的近邻集合，将近邻集合和原始数据输入基于神经网路结构设计的近邻自编码器进行降维计算，获得保持近邻关系的低维数据嵌入和每个点的重构误差，将数据嵌入和重构误差输入到K‑重构‑近邻检测器，得出异常分。系统可以充分适应检测器的特点与检测器紧密配合，有效避免了高维数据下检测器性能的下降。

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： 本发明公开了一种基于近邻成分分析和k近邻学习融合的变压器故障诊断方法：(a)构建近邻成分分析模型并对其进行训练，包括步骤：(1)采集不同故障类型变压器油色谱样本数据(2)对变压器油色谱样本数据进行预处理(3)分别计算各故障类型变压器油色谱样本数据的关联规则支持度，得到初始度量矩阵M0(4)将初始度量矩阵M0和经过预处理的变压器油色谱样本数据输入经过超参数调优的近邻成分分析模型，进行训练，近邻成分分析模型输出度量矩阵M(5)采用度量矩阵M对各故障类型变压器油色谱样本数据进行映射，得到经过训练的近邻成分分析模型(b)将实测变压器油色谱样本数据输入经过训练的近邻成分分析模型，进而输出变压器故障类型。

摘要： 本发明公开了一种基于K近邻与共享近邻的密度峰值聚类算法，用于解决现有密度峰值聚类算法聚类效果差的技术问题。技术方案是基于K‑近邻和共享近邻相似度对DPC算法进行改进，每个数据样本点的归属由KNN分布信息及SNN共享近邻相似度决定，若i的KNN(i)中属于某个类簇的点越多，且与i的欧式距离越近，则两个样本点之间的相似度越大，样本i关于KNN(i)所属类簇的归属度值就越大，此时样本点i被分配到这个类簇的概率就越大。聚类中心出现在局部密度较高的区域。本发明算法避免了DPC算法度量样本密度的缺陷、及其分配样本时产生的类似“多米诺骨牌效应”的连带分配错误，聚类效果好。

摘要： 本发明公开了一种基于监督核共享近邻的云自适应模糊K近邻分类方法，其包括以下步骤：S1、获取训练样本并根据其类别信息建立无向邻域图；S2、获取各训练样本之间的相似度，并确定各训练样本的密度；S3、根据各训练样本的密度获取各训练样本的隶属度；S4、获取待分类样本与近邻样本之间的相似度，并获取近邻样本的权重；S5、根据待分类样本的近邻样本的权重获取待分类样本隶属于每个类别的隶属度确定其类别。本发明能够将大部分噪声的隶属度限制在0.2以下，实现在低阈值条件下有效区分噪声样本与正常样本，降低噪声样本对分类结果造成的影响，算法的抗干扰能力明显强于现有方法，使得本方法具有较理想的稳定性能。

摘要： 本发明涉及一种关键字识别方法，尤其为一种基于K近邻的配网调度操作票错误关键字识别方法，包括如下步骤：训练数据集；训练获得关键字识别模型；获取草稿票列表数据；获取操作票数据；数据预处理；操作项目分词；文本特征抽取。将操作票操作项目分为动词、厂站、开关和状态四个位置，采用K近邻算法，识别出配网调度操作票错误关键字的位置，对操作票错误位置进行分类，提示调控员修改更正关键字，解决人工对调度操作命令票的审核盲区，提高操作票的规范率和合格率。规避恶性误操作，降低误操风险，提高调度安全操作水平，保证现场操作人员、设备和电网的安全。提高操作票审核效率，降低调度员对于操作票填写、审核和执行的工作压力和心理压力。

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。