一种模糊-证据kNN分类方法

 已有的以k-最近邻(k Nearest Neighbor,kNN)规则为核心的分类算法,如模糊kNN(Fuzzy kNN,FkNN)和证据kNN (Evidential kNN,EkNN)等,存在着两个问题:无法区别出样本特征的差异以及忽略了邻居距训练样本类中心距离的不同所带来的影响.为此,本文提出一种模糊-证据kNN算法.首先,利用特征的模糊熵值确定每个特征的权重,基于加权欧氏距离选取k个邻居;然后,利用邻居的信息熵区别对待邻居并结合FkNN在表示信息和EkNN在融合决策方面的优势,采取先模糊化再融合的方法确定待分类样本的类别.本文的方法在UCI标准数据集上进行了测试,结果表明该方法优于已有算法.     

基于K近邻分类间隔的特征选择方法研究

特征选择是机器学习和模式识别领域的一个关键问题。文中详细分析研究一类基于K近邻分类间隔的特征选择算法,并着重讨论当K〉1时,特征选择的评价准则和搜索策略的设计,同时在多个数据集上验证其性能。     

一种基于模糊理论融合证据理论的网络舆情评估方法

文章通过对国内外网络舆情分析现状的研究以及综合各种文献资料,结合模糊理论与D-S证据理论提出了一种基于模糊理论融合证据理论进行网络舆情评估的方法。此方法根据舆情要素与舆情评估的对应关系,通过模糊理论对舆情信息建立隶属度函数,得出不同渠道的舆情状态,然后用证据理论把每个渠道的舆情状态当作一组证据,通过证据合并,最终得网络舆情评估信息。     

基于K最近邻分类算法的交换模块状态预测

近年来,电子产品的故障诊断与故障预测主要采用健康管理与故障预测(PHM)技术,但要准确预测其健康状态还是很难。以此为出发点,构建交换模块的状态预测模型,首先对训练数据进行预处理和统计分析,通过相关性分析初步得到影响交换模块状态的特征参数,通过特征选择进一步确定特征,然后通过算法比较选择机器学习算法中的K最近邻分类算法,通过参数优化最终得到交换模块状态预测模型。采用该方法进行了应用验证,获得交换模块状态预测准确度为99.8%,达到了较好的预测效果和精度。     

基于多元信息加权协调的超文本分类算法

本文综合利用超文本的各种多元化信息规则，提出一种基于多元信息加权协调的超文本分类算法。该算法在分类时，通过对抽取到的数据集超文本文档中的超文本信息进行加权处理，更好的综合协调地利用了超文本的多元结构化信息。通过三个数据集的综合实验，结果表明，相较于单独利用某种超文本结构信息进行分类的方法，基于多元信息加权协调超文本算法具有较好的性能。     

基于模糊K近邻的模糊支持向量机的语音情感识别

基于模糊K近邻算法对模糊支持向量机中模糊类别隶属度的计算进行了改进,将距离与样本之间的关系相结合进行加权弥补了FSVM算法的不足.引入CCA算法对语音特征矢量进行降维处理,有效减小了特征之间的冗余信息,通过识别实验对传统的SVM、FSVM以及基于模糊K近邻的FSVM的算法性能进行了比较和分析.     

基于K最近邻局部点关系图卷积的点云分类

为进一步提高大规模多种类三维点云分类的准确率,提出一种局部区域建立K近邻点关系的卷积神经网络,其关键是从点与点的关系中进行学习。在采样组采样后,对点云模型进行建图,从点与点之间的关系以及中心点的特征进行更深一步的关系学习,从而进行点云的分类工作。由于是从局部的特征整合到整体,使得该方法对形状感知敏感并具有鲁棒性。最终的试验结果表明,该算法在公开数据集ModelNet40上的准确率达到92.5%。与现有的三维点云分类算法相比,其能够更有效地整合局部特征和全局特征,从而能进一步提高三维点云模型分类的准确性。     

证据理论和模糊神经网络相结合的决策方法

针对图像识别中图像的特征信息,排除不确定因素的影响,提出了基于模糊神经网络和D-S证据理论的数据融合算法,并对图像识别为例进行了实例分析,验证了该方法的准确性.该方法先对输入图像进行数据分析,采用T-S模糊神经网络进行处理,再用D-S证据理论执行决策分析,最终得到识别精度较高的有效结果.     

土地利用类型的模糊分类方法研究

随着模糊数学的发展和模糊分类方法的广泛应用,将模糊理论运用于遥感图像土地利用类型分类中是一个很好的选择,模糊分类方法较传统的分类方法有很大的优越性。     

基于模糊理论与证据推理方法的断路器状态评估模型

基于模糊理论与证据推理方法提出一个新的断路器评估模型,该评判模型根据影响断路器状态的某些特性进行综合评估。利用层次分析法确定常权权重,并根据变权原理变换权数,通过模糊理论确定隶属函数,依据隶属函数确定断路器各指标的证据基本信任度分配,在此基础上应用证据推理的合成规则方法进行最终评估。最后对模型的有效性进行验证,实验结果表明,该方法可以对断路器的状态进行正确评估,比单一使用模糊理论算法更加准确。     

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。     

一种新的基于距离加权的模板约简K近邻算法

作为一种非参数的分类算法,K近邻(KNN)算法简单有效并且易于实现。但传统的KNN算法认为所有的近邻样本贡献相等,这就使得算法容易受到噪声的干扰,同时对于大的数据集,KNN的计算代价非常大。针对上述问题,该文提出了一种新的基于距离加权的模板约简K近邻算法(TWKNN)。利用模板约简技术,将训练集中远离分类边界的样本去掉,同时按照各个近邻与待测样本的距离为K个近邻赋予不同的权值,增强了算法的鲁棒性。实验结果表明,该方法可以有效地减少训练样本数目,同时还能保持传统KNN的分类精度。     

基于迭代模糊聚类算法与K近邻和数据字典的集成TSK模糊分类器

该文提出一种新型的集成TSK模糊分类器(IK-D-TSK),首先通过并行学习的方式组织所有0阶TSK模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利用KNN对测试数据进行快速预测。IK-D-TSK具有以下优点:在IK-D-TSK中,每个0阶TSK子分类器的输出被扩充到原始入空间,以并行方式打开原始(验证)输入空间中存在的流形结构,根据堆栈泛化原理,可以保证提高分类精度;和传统TSK模糊分类器相比,IK-D-TSK以并行方式训练所有的子分类器,因此运行速度可以得到有效保证;由于IK-D-TSK是在以IFCM & KNN所获得的数据字典的基础上进行分类的,因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-TSK具有较高的分类性能、强鲁棒性和高可解释性。     

基于K个最近邻点的遗传程序的数字调制样式自动分类

在许多不同的民用和军用领域,调制样式自动分类都是一个非常有趣的问题。本文提出了一种基于K个最近邻点(K-Nearest Neighbor,KNN)的遗传程序(Genetic Programming,GP)算法。该算法采用了基于K个最近邻点的遗传程序,用来识别BPSK、QPSK、16QAM和64QAM调制信号。该算法用高阶累积量作为输入特征,并使用一种分两个阶段的分类方法来改善分类精度。计算机仿真将所提出算法与已有的算法进行了比较,从而证明了该算法的优异性能。     

基于改进的K-最近邻算法的病毒检测方法

由于计算机病毒检测的不可判定性，提出了一种基于改进的K-最近邻检测方法来实现对计算机病毒的近似判别。此方法成功地克服了现有的特征码扫描技术只能检测已知病毒的缺点。首先改进了原始的K-最近邻检测方法，使其更适合于对计算机病毒进行预测。并在此检测方法上，设计了一个病毒检测系统。此系统既可查杀已知病毒，也可分析评判可疑程序．诊断出被感染病毒以及病毒类型。     

一种改进的K近邻算法在网页分类中的应用

K近邻(k-Nearest Neighbor)算法是进行分类时最常用的文本分类算法,基本的K近邻算法是基于余弦向量距离计算相似度,由于特证词权值的计算采用的是TF-IDF方法,使得该算法在文本分类中对于噪声特征非常敏感,本文针对这一问题,提出在网页分类的领域中,根据网页文章的特性,考虑特征词出现不同位置,改进相似度的计算公式,实验证明,提高了分类的准确性。     

基于谱回归和核空间最近邻的基因表达数据分类

肿瘤基因表达数据是典型的高维小样本数据,直接对其进行识别存在维数灾难,需要对数据进行维数约简.提出了一种基于谱回归分析和核空间最近邻分类器的基因表达数据分类方法,采用谱回归分析得到可有效提取低维鉴别特征的投影矩阵,然后通过投影矩阵对基因表达数据进行维数约简,得到的低维数据用核空间最近邻分类器进行识别.通过在Prosta...     

一种基于维度加权盲K近邻算法的数字预失真技术

传统的数字预失真(DPD)模型通常在所有的输入信号功率上采用单一多项式模型和单一记忆深度对功率放大器(PA)进行线性化矫正。然而,功率放大器在不同的功率水平下会呈现出不同的非线性特性,并产生不同的记忆效应。针对这一问题,该文提出一种基于维度加权盲K近邻(KNN)算法的数字预失真模型,所提模型根据功放当前输入信号以及记忆输入信号的幅度进行维度加权的KNN分类,组成维度加权盲KNN记忆多项式(WKMP)模型,并为每一类输入信号序列建立子模型。所提方法用Doherty功率放大器进行实验验证,使用带宽为30 MHz、频点为2.2 GHz的3载波长期演进(LTE)信号作为输入,反馈端使用122.88 MHz的采样率进行采样。实验结果表明,所提维度加权盲KNN分类方法与记忆多项式(MP)模型结合时,功放正向建模效果和数字预失真效果均超过了广义记忆多项式(GMP)模型,并远超记忆多项式模型的效果,实验结果验证了所提模型的优良性能。     

基于影响函数的k-近邻分类

分类是一种监督学习方法,通过在训练数据集学习模型判定未知样本的类标号。与传统的分类思想不同,该文从影响函数的角度理解分类,即从训练样本集对未知样本的影响来判定未知样本的类标号。首先介绍基于影响函数分类的思想;其次给出影响函数的定义,设计3种影响函数;最后基于这3种影响函数,提出基于影响函数的k-近邻(kNN)分类方法。并将该方法应用到非平衡数据集分类中。在18个UCI数据集上的实验结果表明,基于影响函数的k-近邻分类方法的分类性能好于传统的k-近邻分类方法,且对非平衡数据集分类有效。