基于KNN分类器的分层图像特征提取

给出一种基于k最近邻分类器(KNN)的分层图像特征提取方法.该方法能有效地获得有代表性和判别性的模板集合,并以较低计算复杂度来获取更高的识别精度.     

基于LabVIEW的35kV变电站噪声监测系统设计

该文基于虚拟仪器工程平台(Lab VIEW)设计了35k V变电站噪声监测系统。采用多个声强和声压传感器提取变电站噪声信号,通过USB数据采集卡采样后送入Lab VIEW编写的软件进行处理。噪声监测软件具有实时声功率、波形显示、峰值计算、功率谱分析和历史数据管理等功能。该系统具有简单有效,能直观显示监测结果,且易于控制的优点。     

基于故障敏感分量和改进K近邻分类器的故障状态识别

针对故障状态下的滚动轴承振动信号非线性非平稳性强、噪声干扰大导致的故障敏感特征提取难的问题，在对轴承振动信号进行局域均值分解（local mean decomposition，LMD）的基础上，提出了一种基于故障敏感分量的特征提取与改进K近邻分类器（K-nearest neighbor classifier，KNNC）的故障状态辨识方法。该方法采用相关系数法对LMD分解出的振动分量进行故障敏感性的量化表征，然后对筛选出的信号分量进行时域/频域的特征提取，构建不同故障状态下的特征样本集。为加快故障状态识别速度，排除不良样本的影响，提出一种基于二分K均值聚类的改进KNNC算法，精简了大容量的训练样本，有效去除不良特征样本和干扰点。实验结果表明，以敏感分量特征作为输入的改进KNNC算法能够快速准确地识别轴承不同故障状态。     

一种基于KNN的室内位置指纹定位算法

提出了一种基于KNN 的FM、DTMB 联合信号位置指纹匹配算法,并根据不同位置具有不同信号强度将匹配过程设计为一个多分类算法模型. 离线阶段,通过采集FM 信号与DTMB 信号的强度信息,完成位置指纹库的构建. 在线匹配阶段,利用KNN 算法对新采集到的数据进行加权欧氏距离匹配,通过对K 值以及特征向 量的选取对定位误差进行了分析. 仿真结果表明,该算法在室内定位中具有良好的鲁棒性和准确度,90% 概率下定位精度2.3 m.     

赋广义Orlicz范数的Orlicz序列空间的k一致凸点

利用广义Orlicz范数的特征和处理序列空间理论的技巧,讨论赋广义Orlicz范数的Orlicz序列空间的k一致凸点问题,得到该空间k一致凸点的判别准则,进一步得到该空间局部k一致凸的条件。     

空间多样化约束下的移动k近邻查询

考虑为移动中的查询对象连续返回k个距离近并且满足空间多样化约束的对象，提出了空间多样化约束下的移动k近邻(SDC-MkNN)查询.在此，满足空间多样化约束代表对象之间的相互距离大于距离阈值.为了高效处理SDC-MkNN查询问题，提出了两种基于安全区域技术的算法.算法均通过减少重新计算查询结果的次数来提高查询效率.其中一种为精确算法EA，可连续返回精确的查询结果；另一种为近似算法ρAA，可连续返回具有近似率保障的近似查询结果.采用真实数据集验证了所提出算法的有效性.     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

机器学习算法用于乳腺癌检测的性能研究

乳腺癌排在女性恶性肿瘤首位,早期发现和诊断是治疗的关键。使用开源乳腺癌数据集,使用了K-近邻、逻辑回归、支持向量机等主流机器学习算法对数据集进行了大量的训练和测试,分析了它们在训练过程中的学习曲线,对训练和测试结果进行了对比,分析和研究了这些算法在乳腺癌检测中的性能,并对未来的研究方向和技术进行了展望。     

基于近邻子空间划分的高光谱影像波段选择方法

在降低高光谱遥感影像数据的冗余度方面,波段选择一直是一种有效的方法.近年来,提出了许多用于高光谱波段选择的聚类算法,但大多数算法只有在选择足够多的聚类中心时才能够表现出良好的性能.在选择少量波段时,往往效果很不理想,不能满足实际使用的目的.而且,随着聚类中心数量的增加,大多数波段选择算法的精度存在不同程度的下降趋势.针对当前基于聚类的波段选择方法存在对聚类中心数的强敏感性和选择的特征波段子集高相关性的问题,提出了一种基于近邻子空间划分的波段选择方法(SEASP).该方法主要包括近邻子空间划分和特征波段选取两个步骤.考虑到高光谱波段之间的有序性,SEASP首先计算出相邻波段之间的相关系数,得到相关系数向量.若两个波段之间的相关性在某个区间内最小,即相关系数的变化率在该区间内最大,说明这两个波段在很大概率上不属于同一组,为两个相邻分组之间的分割点.因此,在相关系数向量的基础上,计算出其对应的若干个极小值,通过极小值的选取来确定最终划分的子空间.最后以信息熵为度量标准从划分的子空间中选出特征波段子集.在3个公开数据集的实验结果表明,提出的SEASP算法与其他算法相比,不仅原理简单,而且在精度...     

外包空间数据库的完整性保证机制

存储在云计算服务提供商上的用户数据可能被篡改或删除,查询完整性验证方案的作用是确保查询用户能够验证查询结果中的数据是真实的且包含所有满足条件的数据.本文在现有验证树结构基础上进行改进,提出了一种空间验证数据结构VSS-tree.利用SS-tree作为基本结构并为其附加验证信息,采用边界球进行区域划分增大了节点的度,有效降低了验证树的高度,并避免了不必要的磁盘访问,从而提高了空间查询验证的处理效率.实验结果表明,该方案比MR-tree具有更好的性能.