近邻
近邻的相关文献在1979年到2023年内共计1153篇,主要集中在自动化技术、计算机技术、中国文学、音乐
等领域,其中期刊论文110篇、专利文献1043篇;相关期刊95种,包括半月谈、老人天地、歌海等;
近邻的相关文献由2947位作者贡献,包括焦李成、姚斌、马文萍等。
近邻
-研究学者
- 焦李成
- 姚斌
- 马文萍
- 侯彪
- 王爽
- 李飞飞
- 童楚东
- 肖小奎
- 徐小良
- 李学龙
- 王波涛
- 马晶晶
- 高云君
- 文成林
- 任艳多
- 刘红英
- 周哲
- 孙瑶
- 季长清
- 尚荣华
- 张向荣
- 胡伟
- 钱江波
- 马琳
- 朱莹
- 聂飞平
- 董天阳
- 过敏意
- 陈中普
- 刘杰
- 刘洋
- 刘芳
- 叶阿勇
- 周代英
- 周牧
- 徐玉滨
- 李翠平
- 李超
- 江俊君
- 汪祖民
- 熊涛
- 王国仁
- 胡瑞敏
- 陈亮
- 陈刚
- 陈秋玲
- 陈红
- 于自强
- 傅予力
- 刘二宝
-
-
于万国;
何玉林;
覃荟霖
-
-
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.
-
-
兰顺正
-
-
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。
-
-
-
陈新泉;
周灵晶;
戴家树;
周祺
-
-
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。
-
-
陈新泉;
周灵晶;
戴家树;
周祺
-
-
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.
-
-
黄礼泊;
凌永权
-
-
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。
-
-
-
武森;
汪玉枝;
高晓楠
-
-
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.
-