K近邻法
K近邻法的相关文献在2003年到2022年内共计112篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、电工技术
等领域,其中期刊论文98篇、会议论文8篇、专利文献94273篇;相关期刊83种,包括青春岁月、财经理论与实践、电子科技等;
相关会议8种,包括第23届过程控制会议、2011年第二十八届中国气象学会年会、2010年信息技术与管理科学研讨会等;K近邻法的相关文献由296位作者贡献,包括胡煜、伍建军、侯明正等。
K近邻法—发文量
专利文献>
论文:94273篇
占比:99.89%
总计:94379篇
K近邻法
-研究学者
- 胡煜
- 伍建军
- 侯明正
- 冯子亮
- 周继中
- 周而重
- 宣华俊
- 康耀红
- 张德贤
- 张锦
- 曹根
- 李光
- 杨丽琴
- 杨森
- 王开华
- 胡瑞芬
- 艾英山
- 葛孝堃
- 蔡志荣
- 陈光
- HU Jing
- QIAO Jun-fei
- Song Tiecheng
- ZHOU Hong-biao
- ZHOU Ya
- ZOU Yuanyuan
- 万云强
- 严军
- 乔俊飞
- 乔泽宇
- 于一
- 于少东
- 于明
- 于歌
- 付波
- 付萍
- 付雪峰
- 仝瑞宁
- 代力民
- 任朝阳
- 任睿
- 何州杉月
- 保铮
- 傅予力
- 傅海军
- 傅雨佳
- 冯翱
- 刘佳丽
- 刘兴华
- 刘兴龙
-
-
金霄;
吴飞;
鄢松;
陆雯霞;
张忠艺
-
-
摘要:
针对在城市轨道交通车站内,利用iBeacon技术进行指纹定位时存在匹配效率较低、定位精度不理想的问题,文中提出了一种基于GAWK-means的地铁车站指纹定位方法。离线阶段,根据指纹数据本身的离散程度进行K-means欧式距离权重优化以便更好地体现类内相似度,再将改进的K-means结合遗传算法,优化聚类结果以减少陷入局部最优。在线阶段,利用K近邻法将信号向量与最为接近的子指纹库匹配获得定位结果,通过平均定位误差对该方法整体性能进行评估。实验结果表明,在地铁车站离线阶段使用GAWK-means算法平均定位误差为1.52 m,相较于未聚类和传统K-means聚类,定位误差减少了0.41 m以上。
-
-
程大勇
-
-
摘要:
为拓展k近邻法在多标签分类中的应用范围,分析不同测试方法在多标签分类中的性能。通过留一法对数据样本(Yeast,Image和Scene 3组数据集)进行预处理,采用欧式距离、余弦距离以及曼哈顿距离分别计算每个样本的k个近邻,分成训练样本1500个,测试样本917个;然后,根据近邻标签信息对每一类标签进行投票,形成新数据集;分别使用5种方法:k/2法、离散Bayes法、Logistic回归法、线性阈值函数法以及多输出线性回归法对数据集进行测试和性能评价。结果表明,5种处理方法在多标签分类中都拥有较好的性能,其中离散Bayes、多输出线性回归和Logistic回归性能相对比较优越。同时,不同的距离对算法的性能也有一定的影响。
-
-
张凤南
-
-
摘要:
从数据预处理、特征值的提取与选择,到分类器的设计等阶段对手写体数字0-9进行了分析与研究。提取不同的特征向量,用主成分分析技术(PCA)对特征向量进行处理,采用最小距离法、K(K=1, 3, 5)近邻法和反向传播(Back Propagation, BP)神经网络对10类手写体数字0-9进行分类,获得不同的分类结果及分类错误率。对获得的结果进行了分析比较,获得较为显著成效。
-
-
申奕涵;
杨京辉;
王皓
-
-
摘要:
针对高光谱图像分类过程中分类精度低和样本数量较少的问题,文中提出了一种基于网格法分集和主动学习的图像分类方法。该方法利用网格法将主成分空间划分成若干网格,在每个含有样本的网格中随机挑选一个样本,并将其原始光谱数据归入训练集;随后,采用主动学习方法,在其余样本中用K-近邻法选择不确定性最大的若干样本并入训练集,从而扩充了训练集,并使数据集具有代表性,提升了分类精度。同时,在数据处理过程中,联合运用主成分分析和线性判别分析对光谱数据进行降维,进一步提高了运算速度。实验结果表明,在Indian Pines高光谱数据集中,在少量训练集样本的情况下,该方法相较于随机分集和非主动学习,分别将总体分类精度提升了12.24%和19.76%。
-
-
龙亚星;
黄勤;
李成伟
-
-
摘要:
为了弥补国家级气象观测站小型蒸发皿停止观测后蒸发量观测资料的空缺,建立了陕北、关中和陕南3个区域数据集以及榆林、泾河和汉中3个单站数据集,通过建立和优化KNN、MLP模型及其参数,分别建立蒸发量区域估算模型、单站估算模型并对其进行检验.结果 表明:①进行区域蒸发量估算时,KNN模型表现出良好的泛化性能,均方误差、总相对误差和准确率指标值平均分别为0.42、2.1%、57.0%;陕北MLP模型的泛化性能较差;②进行单站蒸发量估算时,基于k近邻法的单站估算模型性能优于区域估算模型,均方误差、准确率指标值平均分别为0.48、55.0%,榆林与泾河总相对误差指标绝对值平均为1.6%,汉中总相对误差指标值相对偏高,达到10.3%.本研究为不同气候区域及单站日、月、季和年蒸发皿蒸发量估算以及日蒸发量数据质量控制提供了一种基于机器学习的方法.
-
-
庞晓燕;
刘海松;
年学东;
张志超;
李崇贵;
董相军
-
-
摘要:
为了探讨应用Sentinel-2A遥感影像进行森林蓄积量估测的可行性,以内蒙古自治区某林业局的一类清查样地数据、二类调查小班数据、数字高程模型(DEM)以及林地数据为数据源,以遥感影像的波段灰度信息、比值波段及地形信息为自变量,采用k-近邻法(k-NN)、稳健估计及偏最小二乘估计等方法,分林型构建研究区域的森林蓄积量估测模型,从林业局、林场及小班尺度进行估测精度评价.结果表明:k-NN方法在林业局、林场和小班等3个尺度中的估测精度分别达到了97%、93.2%和83.6%,均表现出良好的估测效果;稳健估计法在3个尺度中的估测精度分别为89.3%、72.4%、69.3%;偏最小二估计法在3个尺度中的估测精度分别为85.7%、75.8%、71.7%.k-NN方法估测效果明显优于稳健估计方和偏最小二估计法,因此,Sentinel-2A遥感影像能够有效应用于森林蓄积量估测.
-
-
牛太冬
-
-
摘要:
道岔的正常运转是保证列车正常运行的必备条件,传统的道岔故障检测方法主要来源于人的工作经验,根据电流的非正常变化来判别道岔是否发生故障,消耗较多的人力资源与物力资源.为了提升资源的有效利用率,本文运用概率主成分分析法提取数据的主要特征,分别采用支持向量机模型和k近邻模型作为道岔故障分类器,然后使用十折交叉验证法作为模型的评价标准,以达到智能识别铁路道岔故障的目的.
-
-
岑忠用;
雷顺新;
雷蕾;
严军;
张晖英
-
-
摘要:
为建立山豆根、百两金、千斤拔、北豆根、滇豆根、云南豇豆等6种易混淆根茎类中药材的快速鉴别方法,利用近红外漫反射光谱分别采集其在900~1700 nm内的光谱信息,结合主成分分析、系统聚类分析、K近邻法、线性判别分析建立定性判别模型。结果显示,6种药材在主成分分析及系统聚类分析中表现出了明显的分类聚集特征,K近邻法和线性判别分析对46个药材盲样的鉴别准确率分别达到了93.48%和95.65%。结果表明,近红外漫反射光谱结合模式识别方法可用于根茎类中药材的定性鉴别。
-
-
-
刘凯;
吉小军;
赵忠华;
曹一文;
杨剑;
庞晓锋
-
-
摘要:
针对基于智能手机的汽车无钥匙进入和启动系统(PEPS)车内外高精度辨识技术需求,设计基于双终端的差分K近邻定位算法.通过改进的Dempster-Shafer证据理论,将双终端算法与典型单终端算法的辨识结果进行融合,提升识别算法的鲁棒性与准确性.与传统的K近邻和概率分布法相比,融合算法在实验场景中对终端车内外状态的辨识准确率提升10%.在传统定位算法易出现误判的车窗附近范围内,将误差距离从距车窗20 cm缩小到距车窗5 cm.
-
-
ZHOU Hong-biao;
周红标;
QIAO Jun-fei;
乔俊飞
- 《2016年第27届中国过程控制会议》
| 2016年
-
摘要:
针对污水处理过程出水总磷软测量存在的特征选择问题,提出一种k近邻互信息估计和前向累加后向交叉策略相结合的特征选择方法.该方法首先将数据驱动型k近邻法扩展用于高维特征之间互信息的估计,然后采用前向累加策略给出全部特征最优排序,根据预设无关特征个数,剔除无关特征,再利用后向交叉策略找出并剔除冗余特征,最终得到最优强相关特征子集.以Friedman数据、Housing数据和实际污水处理出水总磷预测数据为例,采用多层感知器和基于互信息的修剪型多层感知器神经网络预测模型进行仿真实验,验证了所提方法的有效性.
-
-
-
-
-
-
-
-
田琨;
郭凤霞;
杨宁
- 《2011年第二十八届中国气象学会年会》
| 2011年
-
摘要:
本文将模式识别方法中的k-近邻法应用在南京地区雷暴预报中,为雷暴预报提供新的预报方法。k- 近邻法目前已应用在了对降水、云量和温度等方面的研究,并取得了较好的预报效果。k-近邻法的基本思想是,大量历史样本集中的每个样本都作为一个模板,利用未知样本与每个模板做比较,找到最为相似(即为近邻)的k 个模板,根据这k 个模板的类别判断未知样本的类别,本研究将这一基本思想运用在对雷暴天气的识别中。首先,利用江苏省2008、2009 和2010 年6-8 月闪电定位资料确定雷暴过程,并利用同一时段的探空资料计算了47 个常用对流参数,分别分析了47 个参数与雷暴活动的相关性,筛选出17 个与雷暴相关性较好的对流参数(相关系数大于0.3)作为雷暴的预报因子。在此基础上,采用逐步选择法进一步筛选出大气可降水量pw、抬升指数li 、瑞士雷暴指数swiss 、低空3-6km 风速差63 SPD 、莱克力指数mj T 5 个预报因子。其次,将未知样本依据这5 个预报因子映射到一个5 维的空间中,利用欧氏距离法计算与未知样本最为相似的k 个近邻样本,并根据k 个样本的类别判断未知样本的类别。k 的取值应为奇数,从而避免出现两种类别个数相等时无法决策的情况。通过选取不同的k 值对历史样本进行预报,根据TS 技术评分结合虚警率和失误率选取最优的k 值。结果表明,当k 值为3 时,历史样本的预报技术评分TS 可达0.6759,并且虚警率和失误率最低。然后,通过独立样本检验k-近邻法的预报效果,在k 值为3 的情况下,雷暴预报的TS 技术评分为0.60,预报准确率为79.22%,失误率为21.79%,虚警率为19.73%。最后,将赵旭寰利用神经网络法和张祎利用支持向量机建立的雷暴预报模型的预报结果与本文利用k-近邻法建立的雷暴预报模型的预报效果进行了对比,结果表明,在TS 评分相当的情况下,k-近邻法与支持向量机相比具有较低的失误率和较高的击中率及预报准确率,而神经网络的失误率、击中率和预报准确率均优于k-近邻法,但神经网络具有较高的虚警率。由此可见k-近邻法对雷暴天气具有较好的预报效果。在下一步的研究中,可以考虑使用k-近邻法的衍生算法作为预报方法,并继续扩大样本,提高预测的准确性和增强模型的稳定性。
-
-
田琨;
郭凤霞;
杨宁
- 《2011年第二十八届中国气象学会年会》
| 2011年
-
摘要:
本文将模式识别方法中的k-近邻法应用在南京地区雷暴预报中,为雷暴预报提供新的预报方法。k- 近邻法目前已应用在了对降水、云量和温度等方面的研究,并取得了较好的预报效果。k-近邻法的基本思想是,大量历史样本集中的每个样本都作为一个模板,利用未知样本与每个模板做比较,找到最为相似(即为近邻)的k 个模板,根据这k 个模板的类别判断未知样本的类别,本研究将这一基本思想运用在对雷暴天气的识别中。首先,利用江苏省2008、2009 和2010 年6-8 月闪电定位资料确定雷暴过程,并利用同一时段的探空资料计算了47 个常用对流参数,分别分析了47 个参数与雷暴活动的相关性,筛选出17 个与雷暴相关性较好的对流参数(相关系数大于0.3)作为雷暴的预报因子。在此基础上,采用逐步选择法进一步筛选出大气可降水量pw、抬升指数li 、瑞士雷暴指数swiss 、低空3-6km 风速差63 SPD 、莱克力指数mj T 5 个预报因子。其次,将未知样本依据这5 个预报因子映射到一个5 维的空间中,利用欧氏距离法计算与未知样本最为相似的k 个近邻样本,并根据k 个样本的类别判断未知样本的类别。k 的取值应为奇数,从而避免出现两种类别个数相等时无法决策的情况。通过选取不同的k 值对历史样本进行预报,根据TS 技术评分结合虚警率和失误率选取最优的k 值。结果表明,当k 值为3 时,历史样本的预报技术评分TS 可达0.6759,并且虚警率和失误率最低。然后,通过独立样本检验k-近邻法的预报效果,在k 值为3 的情况下,雷暴预报的TS 技术评分为0.60,预报准确率为79.22%,失误率为21.79%,虚警率为19.73%。最后,将赵旭寰利用神经网络法和张祎利用支持向量机建立的雷暴预报模型的预报结果与本文利用k-近邻法建立的雷暴预报模型的预报效果进行了对比,结果表明,在TS 评分相当的情况下,k-近邻法与支持向量机相比具有较低的失误率和较高的击中率及预报准确率,而神经网络的失误率、击中率和预报准确率均优于k-近邻法,但神经网络具有较高的虚警率。由此可见k-近邻法对雷暴天气具有较好的预报效果。在下一步的研究中,可以考虑使用k-近邻法的衍生算法作为预报方法,并继续扩大样本,提高预测的准确性和增强模型的稳定性。
-
-
田琨;
郭凤霞;
杨宁
- 《2011年第二十八届中国气象学会年会》
| 2011年
-
摘要:
本文将模式识别方法中的k-近邻法应用在南京地区雷暴预报中,为雷暴预报提供新的预报方法。k- 近邻法目前已应用在了对降水、云量和温度等方面的研究,并取得了较好的预报效果。k-近邻法的基本思想是,大量历史样本集中的每个样本都作为一个模板,利用未知样本与每个模板做比较,找到最为相似(即为近邻)的k 个模板,根据这k 个模板的类别判断未知样本的类别,本研究将这一基本思想运用在对雷暴天气的识别中。首先,利用江苏省2008、2009 和2010 年6-8 月闪电定位资料确定雷暴过程,并利用同一时段的探空资料计算了47 个常用对流参数,分别分析了47 个参数与雷暴活动的相关性,筛选出17 个与雷暴相关性较好的对流参数(相关系数大于0.3)作为雷暴的预报因子。在此基础上,采用逐步选择法进一步筛选出大气可降水量pw、抬升指数li 、瑞士雷暴指数swiss 、低空3-6km 风速差63 SPD 、莱克力指数mj T 5 个预报因子。其次,将未知样本依据这5 个预报因子映射到一个5 维的空间中,利用欧氏距离法计算与未知样本最为相似的k 个近邻样本,并根据k 个样本的类别判断未知样本的类别。k 的取值应为奇数,从而避免出现两种类别个数相等时无法决策的情况。通过选取不同的k 值对历史样本进行预报,根据TS 技术评分结合虚警率和失误率选取最优的k 值。结果表明,当k 值为3 时,历史样本的预报技术评分TS 可达0.6759,并且虚警率和失误率最低。然后,通过独立样本检验k-近邻法的预报效果,在k 值为3 的情况下,雷暴预报的TS 技术评分为0.60,预报准确率为79.22%,失误率为21.79%,虚警率为19.73%。最后,将赵旭寰利用神经网络法和张祎利用支持向量机建立的雷暴预报模型的预报结果与本文利用k-近邻法建立的雷暴预报模型的预报效果进行了对比,结果表明,在TS 评分相当的情况下,k-近邻法与支持向量机相比具有较低的失误率和较高的击中率及预报准确率,而神经网络的失误率、击中率和预报准确率均优于k-近邻法,但神经网络具有较高的虚警率。由此可见k-近邻法对雷暴天气具有较好的预报效果。在下一步的研究中,可以考虑使用k-近邻法的衍生算法作为预报方法,并继续扩大样本,提高预测的准确性和增强模型的稳定性。