基于字特征的短信分类方法研究

随着商业广告短信、色情短信、骚扰短信等通过手机不断地蔓延,严重地影响了人们日常生活和社会的稳定.因此短信分类已经成为自然语言处理的一个重要领域.分析了近年来垃圾短信内容的发展,提出了一种基于字特征的短信分类方法.实验结果表明,和词特征相比,该方法使有用短信的错判率有了明显的降低.总之,字特征用于短信分类是可行的.     

Sb对Li掺杂的KNN无铅压电陶瓷性质的影响

采用传统工艺制备了无铅压电陶瓷(Na0.5K0.45Li0.05)SbxNb1-xO3,研究了Sb掺杂对其压电、铁电、介电等性质的影响.实验结果表明,样品的居里点(Tc)、正交-四方相变温度(TT-O)均随Sb含量的增加而降低,掺杂7 mol%Sb时,样品的居里点从454℃降至345℃,TT-O从100℃降至室温以下.Sb5+的引入限制了晶粒的生长,但提高了样品的致密度,从而提高了样品的压电、铁电性能.组分为(Na0.5K0.45Li0.05)Sb0.05Nb0.95O3的样品具有较为优异的性能:d33=241 pC/N,Qm=50,kp=38.3%,d31=-83 pC/N,g31=-0.08 Vm/N,Pr=17 μC/cm2,同时,该组分样品表现最"软",具有相对最高的弹性柔顺常数S11E=14.2.     

Sb对Li掺杂的KNN无铅压电陶瓷性质的影响

采用传统工艺制备了无铅压电陶瓷（Na0.5K0.45Li0.05）SbxNb1-xO3,研究了Sb掺杂对其压电、铁电、介电等性质的影响．实验结果表明,样品的居里点（Tc）、正交一四方相变温度（TT-O）均随Sb含量的增加而降低,掺杂7mol％Sb时,样品的居里点从454℃降至345℃,no从100℃降至室温以下．Sb5＋的引入限制了晶粒的生长,但提高了样品的致密度,从而提高了样品的压电、铁电性能．组分为（Na0.5K0.45Li0.05）Sb0.05Nb0.95O3的样品具有较为优异的性能：d33=241pC／N,Qm=50,kp=38．3％,d31=-83pC／N,g31=-0．08Vm／N,Pr=17μC／cm2,同时,该组分样品表现最“软”,具有相对最高的弹性柔顺常数SE11=14．2．     

基于阈值聚类和KNN分类的入侵检测

利用基于阈值聚类算法首先对带类标记的样本数据集进行有指导性聚类,其主要目的是压缩训练数据集,解决KNN分类算法的样本选择问题以及孤立点的发现,用少量的更具代表性的聚类中心替代KNN算法中巨大的样本集,然后利用聚类密度改进KNN分类算法,从而提高KNN分类检测的准确度和速度.     

交叉验证KNN支持向量预选取算法在说话人识别上的应用

针对传统支持向量机算法时空复杂度较高的不足,提出了一种基于交叉验证KNN的支持向量预选取算法。该算法首先对原始样本求k个的邻近样本,然后计算邻近样本中异类样本的比例p1,最后选取满足p1大于阈值p的原始样本作为支持向量。通过交叉验证方法确定k与p的最合适的数值。在UCI标准数据集和说话人识别数据集上的仿真实验显示算法可有效地降低支持向量机分类器的运行时间,同时又具有较好的分类性能。     

结合加权KNN和自适应牛顿法的稳健Boosting方法

Boosting是机器学习领域中重要的集成学习方法，以AdaBoost为代表的Boosting算法通过在组合弱学习器时不断加强对错分类样本的关注以构建性能优异的强学习器，而该训练机制对噪声点的无差别对待易引发学习器对噪声过拟合，从而削弱算法的稳健性.针对该问题，提出结合加权KNN和自适应牛顿法的稳健Boosting方法.该方法首先通过加权KNN估计样本的噪声先验概率，然后使用噪声先验概率修正Logit损失构建一种新的损失函数，最后采用自适应牛顿法进行损失函数的优化求解.提出方法引导分类器在给予错分类样本更高权重的同时，对噪声先验概率大的样本给予相应的惩罚，使噪声样本的权重得到有效的缩减.结果表明，与其他稳健Boosting方法对比，在不同噪声水平下以及真实的医疗数据集的不同评价指标下，该方法表现出更好的稳健性，具有明显的应用价值.      

基于FLAKNN的雷达一维距离像目标识别

由于传统KNN算法在应用于高分辨一维距离像进行目标识别时，存在全局使用固定k值和未考虑各特征分量对分类的影响等不足，使得目标识别性能较差.提出一种改进的KNN算法:FLAKNN.通过提取目标高分辨率一维距离像的尺寸、熵、中心距、不规则度、去尺度特征、对称度等稳定特征，使用Fisher判别分析将所有特征分量投影至低维空间，使不同类别间具备最大可分性；结合相邻样本局部的分布情况和k取值的调整，最终使用少数服从多数的投票原则决定测试样本的类别.结果表明，相对传统KNN算法，该算法进一步提升了识别性能.      

改进的KNN实时校正方法在山区中小流域的应用

为提高山区中小流域实时洪水预报精度,提出了一种基于历史洪水学习的KNN实时校正方法(KNN-H法),并选择陕北黄土高原地区2个山区中小流域为研究区域,将其与传统KNN法和AR法进行对比,验证该方法的校正效果。结果表明:KNN法和KNN-H法的校正精度总体高于AR法；KNN法和AR法不能有效降低预报结果的峰现时间误差,而KNN-H法校正结果峰现时间误差比校正前有明显降低；KNN-H法通过对历史洪水预报误差的学习,可有效解决KNN法在实时校正中因为预热期资料不足导致的校正精度不高问题；当预报洪水过程处于涨洪或退水阶段时,KNN-H法能够快速定位到历史洪水的相同阶段,分析历史预报误差后迅速对当前预报值做出校正；总体上KNN-H法校正精度高于传统KNN法。