用于动态心电图波形分类改进的K近邻算法研究

针对动态心电图波形数据量大且具有明显个体差异性的特点,提出了一种改进的K近邻分类算法,用于动态心电图波形分类.该算法首先将实例间的度量改为曼哈顿距离（City Block Distance）,然后引入高斯核函数,将K近邻算法改进为非线性分类算法,以达到分类动态心电图波形的目的.实验结果表明,该算法在对动态心电图波形进行分类时,分类精度在90%以上.     

核函数方法及其模型选择

核函数方法已成为近年来机器学习领域继人工神经网络方法之后又一个十分流行和有效的方法.阐述了核函数方法的基本原理、特点及实施步骤,介绍了几种主要的核函数方法,最后重点分析和讨论了核函数方法中参数选择和核函数构造等核函数方法研究中的热点问题,并对其未来研究作了展望.     

基于核函数与卡尔曼滤波的室内定位方法

针对室内定位中存在的定位精度不高、定位稳定性较差的问题,提出了一种基于核函数与卡尔曼滤波结合的室内定位算法.首先利用核函数作为匹配算法进行初步定位,高斯核函数可以充分捕获参考点指纹与测试点RSS之间的非线性相关性,取得比K最近邻算法更好的匹配效果,再利用卡尔曼滤波对核函数的定位结果作滤波处理.实验结果表明,在真实无线局域网环境下,对核函数定位的结果作卡尔曼滤波处理后,均方根误差降低了25%,2m以内的定位准确度由75%提高到90%,定位稳定性提高了29%.     

核函数选择方法研究

核函数的选择对支持向量机的分类结果有着重要的影响,为了提高核函数选择的客观性,提出了一种以错分实例到支持向量所在界面的距离来表示错分程度,并基于此进行秩和检验的核函数选择方法.通过与K-折交叉验证、配对t测试等参数检验的统计方法进行对比分析,对9种常用核函数的分类能力在15个数据集进行了定量研究.与参数检验方法不同,秩和检验并未假定数据的分布情况(很多情况下数据并不满足假定的分布),而且数据实验证明,秩和检验不但能够对核函数的分类能力进行客观评估,而且在某些数据集上还能产生更好的核函数选择效果.     

带有云化核函数的SVM文本分类方法

为了简化计算,提高分类速度,在支持向量机分类基础上,将sigmoid核函数与云模型相结合,提出了一种简单的核函数的实现方法。这种方法不仅提高了SVM文本分类能力,而且明显地减少了平均的CPU执行时间。     

关于核函数选取的方法

在支持向量机技术中,核函数选取的好坏直接影响支持向量机的性能.目前关于核函数的研究在理论和应用两方面均取得了一定的成果,但还未深入到足以指导核函数的选取.本文从混合核函数着手研究,建立若干选取规则,得到关于核函数选取的方法.采用平衡约束规划(MPEC)模型来优化选取参数,解决了参数的选取问题.     

基于动态核函数的模糊支持向量机

针对传统的支持向量机(SVM)对训练样本中的噪声和野值特别敏感而导致的过学习问题,文中提出了一种新的基于动态核函数的模糊支持向量机(FSVM).该方法不仅考虑了样本点到类中心的距离,而且还考虑了样本间的密切度,结合这两种思想在特征空间中构造了一种新的基于动态核函数的模糊隶属度.仿真实验表明,该方法有较好的分类精度和推广能力并且在理论上具有一般性和能够有效地减弱野值的影响.     

模式分析的核函数设计方法及应用

利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。     

基于伪柯西类核函数的主成分降维方法

构造了伪柯西类核函数并给出了相应的理论证明.利用伪柯西类核函数对4个癌症基因表达数据集进行降维,然后利用支持向量机、K近邻和朴素贝叶斯进行分类预测.实验结果表明,与高斯核、多项式核、双曲正切核降维以及全变量情形相比,在多数情况下,基于伪柯西类核函数进行的维度约减,可使得目前主流机器学习方法的分类精度达到最优.     

基于高斯核函数的短时交通流量预测

交通出行在人们的生活中占据了重要的地位,准确、短时交通流量预测有助于实现交通控制.本文采用基于高斯核函数的Nadaraya-Watson估计方法对短时交通流量进行了预测.以所选取路段的车流高峰时段为研究对象,根据当前时刻的车流量对下一时刻的流量值进行预测,其中相邻两时刻的时间间隔为5分钟;就所选的高斯核函数而言,根据试凑法,选定核函数带宽为8.结果表明,该方法的预测效果良好,其均等系数为0.996545243,达到了很好的预测效果.     

用于文本分类的快速KNN算法

KNN(k Nearest Neighbor)算法是一种简单、有效、非参数的文本分类方法.传统的KNN方法有着样本相似度计算量大的明显缺陷,使其在具有大量高维样本的文本分类中缺乏实用性.提出了一种快速查找精确的k个最近邻的TKNN(Tree-k-Nearest-Neighbor)算法,该算法建立一棵用于查找的树,加速k个最近邻的查找.首先以整个样本集合中心为基准,按照距离中心的距离将所有样本进行排序,并等分L组,作为根结点的孩子,每个孩子以同样方式处理,直到每组样本数量在[k,2k]间为止.根据这棵树查找k个最近邻,减小了查找范围,极大地降低了相似度计算量.     

KNN查询处理算法性能研究

KNN查询是多媒体数据库管理系统中最具代表性的查询方式之一,它将k个与查询点最接近的对象作为查询结果返回。对于树型多维索引结构,KNN查询处理算法主要有RKV算法和HS算法。本文针对这两种不同处理算法进行了性能研究,通过试验确定了算法的不同适用场景,最后就应用中的KNN查询实现给出了相应的建议。     

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.     

基于粗糙集与KNN的Web文本分类的研究

为了从海量的信息资源库中快速、准确地进行分类并提取出有用的信息,提出了一种基于粗糙集和KNN混合的Web文本分类模型。利用粗糙集的属性约简理论降低了文本分类过程中的向量维数,使用一种基于分明矩阵的属性约简算法,特征选择过程采用互信息量计算方法,并对该混合算法进行了实验,同时结合传统的KNN方法对该混合算法进行比较,验证该算法的可行性。     

Sol—gel法制备铌酸钠钾粉体的研究

以自制氢氧化铌作为铌源，草酸作为螯合剂，以酒石酸钾钠替代碳酸钠和碳酸钾作为钾源和钠源，乙二醇作为酯化剂，采用sol—gel法制备了铌酸钠钾（简称KNN）粉体。使用IR和TG／DSC对干凝胶的成分及溶胶形成过程中的机理进行了研究，使用XRD和SEM对制备的纳米粉体的晶型和形貌进行了表征和观察，研究了预烧温度对于KNN粉体结构和形貌的影响，并解释了产生这些变化的原因。     

基于LSA降维的KNN文本分类算法

针对文本自动分类问题,提出了一种基于LSA降维的KNN改进算法.通过对文本特征向量运用LSA理论进行降维处理,可以有效提高KNN算法的运行效率,提高分类精度.实验证明,改进的KNN算法具有很好的性能.     

一种基于KNN的半监督分类改进算法

本文提出一种新的基于KNN分类的半监督学习self-training改进算法,并以多个UCI数据集为实验,对基于KNN的半监督分类模型算法进行改进,充分利用已知类别标签数据的正确知识进行自训练,以得到最终分类结果.实验结果表明,该方法能显著提高分类准确率.     

基于模糊C-Means的改进型KNN分类算法

KNN算法是一种思想简单且容易实现的分类算法,但在训练集较大以及特征属性较多时候,其效率低、时间开销大.针对这一问题,论文提出了基于模糊C-means的改进型KNN分类算法,该算法在传统的KNN分类算法基础上引入了模糊C-means理论,通过对样本数据进行聚类处理,用形成的子簇代替该子簇所有的样本集,以减少训练集的数量,从而减少KNN分类过程的工作量、提高分类效率,使KNN算法更好地应用于数据挖掘.通过理论分析和实验结果表明,论文所提算法在面对较大数据时能有效提高算法的效率和精确性,满足处理数据的需求.     

KNN基无铅压电陶瓷的研究进展

KNN基无铅压电陶瓷由于具有优越的电学性能和较高的居里温度而成为最重要的无铅压电材料之一.本文主要综述近期国内外有关铌酸钾钠基无铅压电陶瓷的制备新技术,以及在掺杂改性方面的研究进展,并展望了其发展趋势.     

基于粗糙集理论的KNN分类

粗糙集理论为研究不精确数据的分析、推理,挖掘数据间的关系、发现潜在的知识提供了有效的工具。在数据挖掘技术中KNN算法是一个实现简单和分类准确性较高的方法,但是,当用于样本容量较大以及特征属性较多的类似医疗图像挖掘这样的领域时,其效率受到了很大的影响,找到一个删除最大冗余属性的方法成了解决这个问题的关键。将粗糙集理论与KNN算法结合起来,用粗糙集方法进行属性约简,有效地解决了KNN算法分类的这个缺点。