导读:本文包含了模糊近邻算法论文开题报告文献综述及选题提纲参考文献，主要关键词:机器学习,数据挖掘,聚类分析,模糊聚类
模糊近邻算法论文文献综述
储德润,周治平[1]（2019）在《公理化模糊共享近邻自适应谱聚类算法》一文中研究指出针对传统的谱聚类算法通常利用高斯核函数作为相似性度量,且单纯以距离决定相似性不能充分表现原始数据中固有的模糊性、不确定性和复杂性,导致聚类性能降低的问题。提出了一种公理化模糊共享近邻自适应谱聚类算法,首先结合公理化模糊集理论提出了一种模糊相似性度量方法,利用识别特征来衡量更合适的数据成对相似性,然后采用共享近邻的方法发现密集区域样本点分布的结构和密度信息,并且根据每个点所处领域的稠密程度自动调节参数σ,从而生成更强大的亲和矩阵,进一步提高聚类准确率。实验表明,相较于距离谱聚类、自适应谱聚类、模糊聚类方法和地标点谱聚类,所提算法有着更好的聚类性能。(本文来源于《智能系统学报》期刊2019年05期）
支元,李忠[2]（2017）在《基于K近邻的模糊密度峰值聚类算法研究》一文中研究指出基于密度的聚类算法(Density Peak Clustering,DPC)广泛使用在处理非球形数据集的聚类问题,算法使用较少的参数就能够实现数据集的处理。但该算法存在这样一些的不足:首先,全局变量的设定没有考虑数据的局部结构,特别是当不同类别的局部密度差别很大的情况下,容易忽略一些密度较小的类别,聚类效果不理想。其次,DPC提出了一种通过决策图来人工选取聚类中心点的方法,这也是DPC算法在人工智能数据分析的一个重大缺陷。为此,本文提出了基于K近邻的模糊密度峰值聚类算法,算法针对这两方面的不足进行了改进。最后本文使用人工数据集和UCI数据集进行了实验,实验结果表明本文所提出的算法,在不通过人工选取聚类中心的情况下,能够正确地找出类别个数,并且保持着较高的聚类精确度,验证了算法的有效性。(本文来源于《软件》期刊2017年04期）
刘振,杨俊安,刘辉,王伟[3]（2016）在《模糊近邻密度聚类与重采样的迁移学习算法》一文中研究指出传统机器学习要求训练样本和测试样本具有相同分布的假设在实际应用中难以满足,为解决这种问题,迁移学习的研究近年来逐渐兴起。其中,基于聚类分析与重采样的迁移学习框架不需要直接估计域分布,且能够修正不同类型的域间差异,但其所采用的聚类算法对参数选择的鲁棒性及不同分布数据的适应性较差,并不能很好地适用于挖掘数据结构信息。为此,该文提出一种基于模糊近邻密度聚类与重采样的迁移学习算法。该方法对不同分布形状和密度的数据具有较好的鲁棒性并能够发现更多的近邻结构信息,能够从源域中迁移更多的有用知识用于目标域的学习。在公共数据集上的实验结果表明所提出的迁移学习方法具有更好的性能。(本文来源于《信号处理》期刊2016年06期）
赵慧珍,刘付显,李龙跃[4]（2016）在《K-近邻估计协同系数的协同模糊C均值算法》一文中研究指出针对现有协同模糊C均值算法(CFC)的协同系数不能充分描述数据子集间协同关系的问题,提出K-近邻估计协同系数的协同模糊C均值算法(β_K-CFC)。用模糊C均值算法(FCM)求出各数据子集的隶属度和聚类中心;其次设定近邻数,求出子集在各聚类中心处的密度,形成密度矩阵;根据密度矩阵的相关性设定变化的协同系数;最后用变化的协同系数进行协同聚类。实验证明K-近邻估计协同系数的协同模糊C均值算法(β_K-CFC)能够充分描述数据子集间的协同关系,聚类性能较好。(本文来源于《计算机工程与应用》期刊2016年19期）
费轶楠[5]（2015）在《数据分布引导的模糊粗糙近邻分类算法》一文中研究指出粗糙集理论是一种能够处理不完备、不完整数据的数学工具,但是由于被粗糙集理论的定义所限制,它只能用来处理离散的数据集。模糊集理论也是一种重要的计算方法,它不仅能够处理不准确、精确度不够的信息,而且还将模糊性和不明确性引入到了精确的数据关系中。模糊集理论强调数据间的模糊性,与之相比,粗糙集理论强调的是数据间的不可分辨性。将模糊集理论和粗糙集理论结合起来,便得到了模糊粗糙集。模糊粗糙集结合了模糊集和粗糙集的优点,不仅可以处理离散的数据,还可以处理连续的数据,或者离散和连续兼有的数据。k近邻算法是一个经典的分类算法,该算法具有直观、无师学习和无需先验统计知识等特点,是目前常用的一种分类算法。将模糊粗糙集的概念引入到k近邻算法中,得到了模糊粗糙近邻算法(fuzzy-rough nearest neighbor(FRNN)),这个算法可以更加灵活的处理待分类的样本和各类别之间的关系。而在实际的测试过程中,训练样本总会含有一些噪声点干扰模糊粗糙近邻算法的分类准确度,因此如何取近邻减小噪声点的干扰、提高算法的分类准确度是一个需要解决的问题。根据样本模糊相似度关系,本文提出了两种改进的模糊粗糙近邻算法,通过计算待分类样本与训练样本的模糊相似度,根据数据分布的密度,将训练样本中密度集中区域的样本取出来作为代表性样本并取近邻,再对待分类样本进行分类,并在UCI标准数据集上,用五个常用的对比算法与改进的两个算法做对比,实验结果验证了改进的模糊粗糙近邻算法可以有效减少噪声点的干扰,得到更好的分类结果。(本文来源于《大连海事大学》期刊2015-06-01）
谈业静[6]（2015）在《面向运动模糊图像抠图的K近邻抠图改进算法研究》一文中研究指出图像在拍摄过程中由于场景和相机之间发生相对位移,容易产生运动模糊。目前大部分抠图技术都是针对清晰图像的,对运动模糊图像抠图的研究较少。为此,本文研究运动模糊图像的抠图问题。特别的,本文研究清晰图像的K近邻抠图技术在运动模糊图像中的应用。K近邻抠图无需假设颜色线性模型,也不需要复杂的采样策略,是目前比较好的自然图像抠图算法。本文通过提取运动模糊图像的特有信息,对其进行模糊图像抠图的拓展。本文的主要工作包括：一、调研运动模糊图像抠图方法的现状和方法,并介绍抠图的基本原理以及运动模糊产生的基本原理。分别从清晰图像抠图和模糊图像抠图两个方面介绍了当前的主流抠图算法和研究现状。由于本文是对运动模糊图像进行抠图研究,所以也介绍了运动模糊图像研究基本理论。二、提出基于模糊过程建模的改进K近邻抠图方法。由于K近邻抠图方法是基于K近邻匹配方法的抠图方法,那么当图像因运动而产生模糊时,图像像素点的匹配就会产生很大的误差,从而导致抠图结果的不理想。本文针对这一不足,通过引入模糊核的信息,并将其与K近邻抠图方法相结合,得到一个结合模糊核信息的改进K近邻抠图。叁、提出基于模糊特征提取的改进K近邻抠图方法。针对模糊核不稳定的问题,本文采用模糊特征,提出一种基于K近邻的单幅图像模糊对象抠图算法。该方法首先提取出模糊特征-奇异值特征；然后用该模糊特征与颜色和位置特征一起构造新的特征空间；接下来将局部平滑先验和本文的非局部思想结合；最后再结合梯度平滑约束求出图像的不透明度,实现模糊图像准确的抠图。(本文来源于《安徽大学》期刊2015-04-01）
张照星,范星奇,赵素云,陈红,李翠平[7]（2015）在《k-近邻模糊粗糙集的快速约简算法研究》一文中研究指出目前有很多粗糙集的推广模型通过引入参数的方法处理含有噪音的实际问题。基于粗糙集推广模型的约简算法可以发现保持信息含量不变的最小属性子集,但是其明显的不足是计算不同参数上的约简时,每次都要从头开始执行。将嵌套结构的理论结果应用于k-近邻模糊粗糙集的快速约简算法设计中,并利用嵌套结构,设计了一个基于已有约简的快速约简算法。该算法的特点是在参数改变时,不必重新运行经典的算法,而是利用已有的约简来计算新的约简。数值实验验证了快速约简算法可以显着地节省运行时间,表明了该算法的可行性和有效性。(本文来源于《计算机科学与探索》期刊2015年01期）
黄勇东,牛雪松[8]（2014）在《基于模糊K-近邻算法的GIS局部放电模式识别》一文中研究指出气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)局部放电检测对保证GIS的安全可靠运行具有重要的意义。为了对高压GIS缺陷故障进行有效诊断,试验设计了四种典型缺陷模型,并用超高频法提取局部放电信号,得到Ф-q,Ф-n等分布图谱,获得了能够反映局部放电特征的偏斜度γSk、陡峭度ξKu和局部峰值个数Pe等特征参数。根据所提取的四种典型缺陷信号的特征参数特点,通过模糊K近邻分类(fuzzy K-NN classifier,FK-NN)算法对典型缺陷局部放电信号进行了模式识别。结果表明:当近邻个数K=7、调整参数β=0.75时,FK-NN算法对GIS内缺陷识别能达到较高的识别效果。(本文来源于《广东电力》期刊2014年01期）
张颖,李鹏,邬益川[9]（2011）在《基于模糊最近邻聚类学习算法的海水藻类繁殖状态预测》一文中研究指出为了预报海洋赤潮等灾害的发生,需要监测海水中藻类的繁殖状况.通过建立针对海水中叶绿素a浓度状态的预测模型间接预测海水中藻类的繁殖生长状况.运用基于数据的模糊最近邻聚类学习算法对采样数据进行聚类处理,基于最优模糊逻辑系统建立了针对海水叶绿素a浓度状态的预测模型.根据采样数据的特点和降低模型阶次的实际需求,设计了改进的模糊最近邻聚类学习算法,并应用于叶绿素a浓度状态的预测.实验结果表明,该方法可有效提取样本数据的特征,降低数据维数,提高算法学习的收敛速度.改进的模糊最近邻聚类学习算法降低了预测模型构造的复杂度,使模型具有较好的泛化性能,能够有效预测海水中藻类的繁殖生长状况.(本文来源于《东南大学学报(自然科学版)》期刊2011年S1期）
何力,卢冰原[10]（2010）在《基于EM的模糊-粗糙集最近邻算法》一文中研究指出针对由类的重迭引起的训练样本模糊不确定性,以及属性不足引起的类边界粗糙不确定性,提出一种基于期望-最大化(EM)的模糊-粗糙集最近邻分类算法——EM-FRNN。利用UCI数据库的突发性水污染事件案例进行实验,实验结果表明,与朴素的KNN、模糊最近邻算法、模糊粗糙最近邻算法相比,该算法的运算精度高且计算成本较低。(本文来源于《计算机工程》期刊2010年24期）
模糊近邻算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于密度的聚类算法(Density Peak Clustering,DPC)广泛使用在处理非球形数据集的聚类问题,算法使用较少的参数就能够实现数据集的处理。但该算法存在这样一些的不足:首先,全局变量的设定没有考虑数据的局部结构,特别是当不同类别的局部密度差别很大的情况下,容易忽略一些密度较小的类别,聚类效果不理想。其次,DPC提出了一种通过决策图来人工选取聚类中心点的方法,这也是DPC算法在人工智能数据分析的一个重大缺陷。为此,本文提出了基于K近邻的模糊密度峰值聚类算法,算法针对这两方面的不足进行了改进。最后本文使用人工数据集和UCI数据集进行了实验,实验结果表明本文所提出的算法,在不通过人工选取聚类中心的情况下,能够正确地找出类别个数,并且保持着较高的聚类精确度,验证了算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊近邻算法论文参考文献
[1].储德润,周治平.公理化模糊共享近邻自适应谱聚类算法[J].智能系统学报.2019
[2].支元,李忠.基于K近邻的模糊密度峰值聚类算法研究[J].软件.2017
[3].刘振,杨俊安,刘辉,王伟.模糊近邻密度聚类与重采样的迁移学习算法[J].信号处理.2016
[4].赵慧珍,刘付显,李龙跃.K-近邻估计协同系数的协同模糊C均值算法[J].计算机工程与应用.2016
[5].费轶楠.数据分布引导的模糊粗糙近邻分类算法[D].大连海事大学.2015
[6].谈业静.面向运动模糊图像抠图的K近邻抠图改进算法研究[D].安徽大学.2015
[7].张照星,范星奇,赵素云,陈红,李翠平.k-近邻模糊粗糙集的快速约简算法研究[J].计算机科学与探索.2015
[8].黄勇东,牛雪松.基于模糊K-近邻算法的GIS局部放电模式识别[J].广东电力.2014
[9].张颖,李鹏,邬益川.基于模糊最近邻聚类学习算法的海水藻类繁殖状态预测[J].东南大学学报(自然科学版).2011
[10].何力,卢冰原.基于EM的模糊-粗糙集最近邻算法[J].计算机工程.2010