非参数判别模型

提出了一类新的判别分析方法,主要思想是将非参数回归模型推广到判别分析中,形成相应的非参数判别模型.通过实例与传统判别法相比较,表明非参数判别法具有更广泛的适用性和较高的回代正确率.     

非参数Spearman秩相关检验在油气识别中的应用

简要阐述了非参数Spearman秩相关检验方法的概念及应用领域,运用该方法对测井数据进行计算分析,得出测井特征参数与产能间存在正相关的关系;并利用SPSS软件对油气田特征参数与产能之间的关系进行对比验证,得出了一致结论;为油气田产能的回归预测建模提供依据,在一定程度上减小了开采风险,提高了油气田的采收率．     

一种基于K近邻团的聚类算法

在K近邻和逆K近邻理论基础上提出了K近邻团的概念。通过度量对象间的相似度,任意两个元素都互为K近邻和逆K近邻的对象集合构成一个K近邻团。利用同一个K近邻团中的对象彼此都具有较高相似性的特点,选取不同的K值对目标集合进行聚类。通过实验证明了该方法的有效性。     

基于K近邻的支持向量机多模型建模

单一的支持向量机在建模时存在一定的局限性,对于复杂的实际数据,不能很好地提取其中的信息,导致模型泛化性能较差,为此提出基于K近邻的组合支持向量机方法。该方法首先采用简单距离分类方法对经过主元分析的样本数据进行分类,并采用K近邻算法得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。将该方法应用于双酚A生产过程中质量指标的软测量建模,仿真结果表明基于K近邻方法的支持向量机多模型建模可以有效提高模型的泛化性能,并验证了该算法的可行性和有效性。     

基于趋势秩的Spearman相关方法

针对Spearman秩相关方法在两个变量局部数据的大小次序不一致时描述变量间趋势相关性效果不佳的问题,提出了基于趋势秩的Spearman相关方法(T-SRC).T-SRC设计了将数据转换为趋势秩的方法,专门捕获数据的变化趋势,从而提高了Spearman相关方法发现变量间趋势相关的性能.真实数据的实验结果表明,与传统的Spearman秩相关方法相比,T-SRC挖掘变量间的趋势相关关系的性能更优,验证了方法的有效性.     

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.     

基于加权K近邻算法的抽象画图像情感分布预测

现有的大部分图像情感分类计算主要致力于预测图像情感的类别,没有考虑观察者对于图像情感不同的主观感受,因此仅对图像进行情感分类并不能满足现实需要.本文提出采用加权K 近邻算法对数据集中每幅抽象画图像进行离散情感的分布预测,首先提取图像的情感特征,不同的K 值,按照距离加权为每幅图像预测对应的情感分布情况,然后与数据集已知的情感分布进行比较.以Abstract 图像库作为数据集进行实验,并验证了算法的有效性.     

基于非参数方法的肿瘤基因表达数据挖掘

该文提出了一种基于非参数统计的模式识别方法，此方法并不对微阵列数据作总体分布假设，从而降低了噪声对预测结果的影响．该方法可适用于两总体及多总体的模式识别问题．通过对两个真实的肿瘤基因表达数据的分析，验证了方法的识别效果．     

基于改进近邻传播算法的聚类质量评价模型

针对近邻传播(Affinity Propagation,简称AP)算法在对非团状数据集聚类过程中出现的局部聚类较多、精准度不高等问题,提出了一种基于改进AP算法的聚类质量评价模型.首先,在AP算法初步聚类的基础上,通过合并相似度较大的簇,减小聚类上限值k_max,进一步压缩聚类区间范围;其次,给出一个新的内部评价指标,用分属不同簇的样本对的平均距离代表簇间距离,削弱噪声数据的影响,平衡簇间分离度与簇内紧致度的关系.在UCI和KDD CUP99数据集上的实验结果表明,新模型可以给出精准的最优聚类数(范围),能够在保持较低漏报率的同时,有效提高样本的检测率和分类正确率.     

基于高相关指标综合排名方法的研究

文章用主成分分析、加权平均、平均秩对一个实例的综合排名进行研究和比较,给出在高相关指标情行下,平均秩法在综合排名中具有一定的可行性和有效性.     

基于C均值K近邻算法的面部表情识别

随着人工智能与模式识别技术的不断发展,面部表情识别在智能人机交互中发挥着越来越重要的作用．通过对人的面部表情分类的研究,提出了一种使用C均值聚类、K近邻算法的面部表情分类方法．对参加训练的表情图像先进行Gabor小波变换,然后使用Fisherface判别分析方法进行变换,求得特征空间．再将已进行Gabor变换的标准表情图像投影到特征空间,进行C均值聚类得到子类表情模板．对于一幅待识别的表情图像,使用K近邻算法与子类表情模板比较,将该表情图像分类．使用该方法,在公开的日本女人表情人脸库上实测达到了95．8％的识别率．     

基于权重搜索树改进K近邻的高维分类算法

信息采集技术日益发展导致的高维、大规模数据,给数据挖掘带来了巨大挑战,针对K近邻分类算法在高维数据分类中存在效率低、时间成本高的问题,提出基于权重搜索树改进K近邻(K-nearest neighbor algorithm based on weight search tree,KNN-WST)的高维分类算法,该算法根据...     

基于近邻算法的GAN生成图像质量评价

GAN生成图像质量评价是指对GAN生成的图像进行评价,判断生成图像的失真度是否影响观察者的信息获取和主观感受.目前,GAN生成图像质量评价算法较少且算法运行效率不高.该文提出一种基于近邻算法的生成图像质量评价(Near-Neighbor based Generated Image Quality Assessment, NN-GIQA)算法,实现对GAN生成图像的自动、客观、高效评价.首先,基于ANN算法获取生成图像的近邻构成相似图像候选池,缩小生成图像对比范围;然后,基于KNN算法在相似图像候选池中获取与生成图像最相似的K个真实图像得到生成图像质量分数;最后,评价多个经典GAN模型在多个经典数据集上获取的生成图像的质量.实验结果表明本文方法有效提高了GAN生成图像质量评价的效率和准确性,运行时间仅为其他方法的1/9～1/28,其评价结果和人类主观评价结果的一致性达到80%以上,符合人类视觉感知.     

基于组合模型的球员贡献度评价

介绍了两种评价球员贡献度的统计模型,基于组合模型的优势,提出了1个组合评价模型,以2021—2022年NBA季后赛为例,利用非参数统计中Friedman检验进行了实证分析。通过基于熵权法改进的Topsis、主成分综合评价与组合模型3种评价模型来探究2021—2022年NBA总冠军金州勇士队球员的贡献,并对其贡献进行排名,采用Friedman检验得到3种模型的结论基本一致。     

半群PO_n中理想的非群元秩和相关秩

设POn是有限链[n]上的保序部分奇异变换半群.对任意的r(2≤r≤n-1),考虑半群M(n,r)={α∈POn:|Imα|≤r}的非群元秩和非幂等元秩.证明了M(n,r)是由秩为r的元素生成的.确定了当0≤l≤r时,半群M(n,r)关于其理想M(n,l)的相关秩.     

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。     

基于K近邻字典的协同表示高光谱图像分类方法

近年来基于协同表示的分类方法在高光谱图像分类领域取得很大的成功.但在重建测试样本时,由于用全部训练样本充当字典,导致一些差别较大的样本参与表示,不仅影响分类的精确度,还浪费分类时间.在实施空-谱联合后,用K近邻对重构字典做出二次选择,并参照最近正则子空间的做法提出基于K近邻字典的协同表示分类器.通过在两个基准HSI数据集上的实验证明,所提分类器既提高了分类精度,还节省了分类时间,特别对小样本类别的分类效果改善更明显.     

一种基于相似度判据的K近邻分类器的车牌字符识别方法

针对K近邻方法分类准确率较高的特性,提出了一种基于相似度判据的K近邻分类器车牌字符识别方法.通过大量实验,选取字符的网格特征和轮廓特征作为分类依据,用特征融合方法将两种特征合并,实现特征的串行融合.根据相似度判据作K近邻分类,实现了一个车牌字符识别系统.实验表明,这种方法具有良好的识别效果,鲁棒性强,具有较大的实用价值.     

基于K近邻和多类合并的密度峰值聚类算法

针对密度峰值聚类（DPC）算法在处理结构复杂、 维数较高以及同类中存在多个密度峰值的数据集时聚类性能不佳的问题, 提出一种基于K近邻和多类合并的密度峰值聚类（KM-DPC）算法. 首先利用定义的密度计算方法描述样本分布, 采用新的评价指标获取聚类中心; 然后结合K近邻思想设计迭代分配策略, 将剩余点准确归类; 最后给出一种局部类合并方法, 以防将包含多个密度峰值点的类分裂. 仿真实验结果表明, 该算法在22个不同数据集上的性能明显优于DPC算法.