导读:本文包含了近邻法论文开题报告文献综述、选题提纲参考文献，主要关键词:近邻,算法,高斯,蓝藻,室内,目标,启发式。
近邻法论文文献综述写法
蒋馥根,孙华,ZHAO,Feng,林辉,龙江平[1]（2019）在《基于方差优化k最近邻法的森林蓄积量估测》一文中研究指出森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(kNN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通kNN模型和距离加权kNN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化kNN模型得到最优精度[决定系数(R~2)为0.69,均方根误差(RMSE)为67.6 m~3·hm~(-2),相对均方根误差(RRMSE)为32.04%],显着优于其他模型。结果表明,方差优化kNN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。(本文来源于《森林与环境学报》期刊2019年05期）
宗娜[2]（2019）在《动态医疗专家系统中对于近邻法的优化研究》一文中研究指出随着互联网技术的高速发展,结合了数据挖掘技术和专家系统技术的智慧医疗相关理论和应用研究引起了研究人员的关注。目前,智慧医疗的相关研究中,支持数据往往是静态的,而医疗知识和规则具有动态变化的特性,由此本文对支持数据进行了动态化研究。智慧医疗中诊断模型或预测模型常常需要用到分类算法。由此,本文针对数据挖掘分类算法(近邻法),进行了一系列的改进,主要包括分类精度的提高;对比样本优质需求的满足;分类时间的收敛;动态性的适应四个方面。同时,为了更好地提高分类精度,本文针对相似性度量算法也进行了优化研究,即将欧式距离和杰卡德距离结合,本文称之为欧式-杰卡德距离(Euclidean-Jaccard Distance,E-JD)。本文对近邻法的改进研究主要有以下五个阶段:1)本文提出了子群近邻方法(Sub-group Nearest Neighbors,SNN),该方法是对近邻法的改进,它能够消除近邻法的界限模糊问题和由对比样本数量不平衡导致的分类错误问题;2)SNN方法需要优质的对比样本集,由此,本文提出了动态子群近邻方法(Dynamic Sub-group Nearest Neighbors,D-SNN);3)D-SNN方法存在随着样本数量增多,耗时增多的问题,因此本文提出了具有时间收敛的动态子群近邻方法(Time-convergent Dynamic Sub-group Nearest Neighbors,TD-SNN);4)TD-SNN方法牺牲了准确率,由此,本文提出了具有容错数的动态子群近邻方法(Fault-tolerant Dynamic Sub-group Nearest Neighbors,FD-SNN),通过容错参数进行调整,达到了时间收敛目的且保证了分类精度;5)为了适应动态性,本文对FD-SNN方法进一步改进,加入了自动赋值法,提出了基于自动边界的具有容错数的动态子群近邻方法(Automatic-boundary Fault-tolerant DynamicSub-group Nearest Neighbor,AFD-SNN)。通过实验可知,本文提出的SNN方法比近邻法更有效,更稳定;FD-SNN方法实现了时间收敛,同时保证了分类精度;AFD-SNN方法分类效果没有达到最优,其自动赋值法需要深入研究;E-JD的分类效果比单一距离的分类效果好,并且E-JD2的分类效果更好;两种数据变换操作的分类效果相差无几。(本文来源于《内蒙古大学》期刊2019-05-29）
金武杰,陈麟红[3]（2019）在《基于最近邻法的电力电缆巡线路径的优化》一文中研究指出电缆线路的分布主要在地下、管道甚至海底,在检修与维护方面会面临巡视周期较长的问题。为了缩短电力电缆巡线路径的距离,压缩无效时长,提高供电服务效率,本文先分析电力电缆巡线路径的当前现状,再针对电缆中间接头巡线车辆的路径问题,采取启发式算法中的最近邻法对其进行研究,该方法简单实用有效。与现行的逐条线路巡视路径相比,最近邻算法可以缩短车辆路径的距离,减少巡线路程间无效时间。本文以舟山市供电有限公司客服中心的电力电缆巡线路径为研究平台,验证了最近邻法在不给作业人员增加额外负担的前提下实现路径优化的有效性,提高了工作效率,进而提高了业务承载力、压缩了业扩时长。(本文来源于《电力大数据》期刊2019年03期）
田家英,张志华[4]（2018）在《基于近邻法的WIFI室内定位改进算法研究》一文中研究指出位置指纹算法被广泛应用于室内定位,针对位置解算过程中数据匹配效率低,定位精度不高的问题,文中在分析位置指纹算法的基础上,提出一种基于指纹数据空间位置关系对指纹数据分级的方法,通过数据分级缩小数据匹配范围提高匹配效率,同时提高定位精度。离线建库阶段,对RSSI双重滤波处理,提高位置指纹数据库的可信度;对定位区域网格化,基于参考点空间位置关系对指纹数据分级。在线定位阶段,基于近邻法先与1级数据匹配并修正,通过匹配结果的空间关系确定2级数据再次匹配,最终获取位置信息。实验结果表明,提出的改进算法相对于传统的近邻法,平均定位误差减小0.5m,实现1.5m的平均定位精度。(本文来源于《测绘工程》期刊2018年12期）
黄金海[5]（2018）在《手写体数字的K-最近邻法识别研究》一文中研究指出文章通过全面分析KNN在机器学习分类器中的应用原理和步骤,采用高效的python语言设计了基于KNN算法的手写体数字识别。识别过程以常用的手写数字训练集和测试集作为数据处理的基本方法,实验分析则采用实际测试样本进行测试。研究表明,该算法实现过程简单,但准确识别率和执行效率并不高。(本文来源于《无线互联科技》期刊2018年20期）
朱鹏飞[6]（2018）在《基于K-近邻法和粒子滤波的多目标跟踪算法》一文中研究指出针对多目标跟踪中目标与观测样本关联难的问题,提出了一种基于K-近邻法和粒子滤波的多目标跟踪算法.首先利用K-近邻方式将目标和观测信息进行数据关联,然后利用粒子滤波算法解决非线性问题的特点,单独对所有目标进行滤波,以完成对目标状态的更新.仿真实验表明,所提算法能够很好地对多目标展开跟踪,与联合概率数据关联算法(JPDAF)相比,能更好地逼近目标的真实轨迹,跟踪精度得到大幅提升.(本文来源于《内蒙古师范大学学报(自然科学汉文版)》期刊2018年04期）
郭海晨,周献中,杨萍萍[7]（2017）在《基于筛选和K最近邻法的叁维点云修补方法》一文中研究指出现阶段叁维点云的数据采集方法因其对物体表面的敏感性,其测量结果中不可避免地存在大量的空洞、毛刺区域。叁维点云的修补对于点云数据的进一步分析与应用具有十分重要的意义。针对叁维点云数据的修补问题,对训练数据进行分类筛选,避免了误差点对于点云模型修复的影响;结合点云数据的拓扑结构特征,将改进的K最近邻法应用于点云模型修复,得到了贴近实际的点云模型。(本文来源于《机械设计与制造工程》期刊2017年11期）
李新春,侯跃[8]（2017）在《基于改进AP选择和K最近邻法算法的室内定位技术》一文中研究指出针对复杂的室内环境和在传统K最近邻法(KNN)算法中认为信号差相等时物理距离就相等两个问题,提出了一种新的接入点(AP)选择方法和基于缩放权重的KNN室内定位算法。首先,改进AP的选择方法,使用箱形图过滤接收信号强度(RSS)的异常值,初步建立指纹库,剔除指纹库中丢失率高的AP,使用标准偏差分析RSS的变化,选择干扰较小的前n个AP;其次,在传统的KNN算法中引入缩放权重,构建一个基于RSS的缩放权重模型;最后,计算出获得最小有效信号距离的前K个参考点坐标,得到未知位置坐标。定位仿真实验中,仅对AP选择方法进行改进的算法平均定位误差比传统的KNN算法降低了21.9%,引入缩放权重算法的平均定位误差为1.82 m,比传统KNN降低了53.6%。(本文来源于《计算机应用》期刊2017年11期）
陈志旺,黄兴旺,陈志兴,赵子铮[9]（2017）在《融合高斯建模和近邻法的区间多目标支配性预测策略》一文中研究指出由于高斯代理模型精度易受数据质量和数量的限制且模型固定后无法随着算法进展自适应调整,而近邻法在算法初期因样本数限制导致算法无法达到所需的预测精度,因此,针对优化函数未知的区间多目标优化问题,提出一种融合高斯建模和近邻法求解种群个体支配关系的NSGA-II算法.该算法通过高斯过程对训练样本集进行建模,利用遗传算法对代理模型进行超参数求解,进而通过高斯代理模型得到待测解之间的可能度概率;利用近邻法对待测解和样本解进行相似性计算,得到待测解之间的可能度概率;通过渐消记忆动态调整高斯过程和近邻法所得支配性结果在算法中所占的比重,得到种群个体之间的支配关系.仿真结果验证了所设计算法的有效性.(本文来源于《小型微型计算机系统》期刊2017年08期）
白晓哲,张慧妍,王小艺,王立,许继平[10]（2017）在《动态聚类最近邻法在湖库蓝藻水华预测中的应用》一文中研究指出[目的]探索湖库蓝藻水华的有效预测方法,为水环境污染防治关键问题的解决提供科学依据。[方法]结合蓝藻水华演化中表现出的混沌类随机特点,提出一种基于有效性函数优化的动态聚类算法,以实现蓝藻水华动态、小范围近邻优化预测的目的。首先,基于动态聚类算法对监测数据进行典型类的客观划分,为后续有效减小搜索空间,提高预测精度奠定基础;而后采用粒子群算法优化得到各类的最佳近邻个数,以确定参与回归建模的观测值数量;最后依据最近邻观测数据建立动态回归预测模型。[结果]采用太湖金墅监测站点2011年叶绿素a浓度测定值进行建模,之后对2012年叶绿素a浓度进行短期预测。新建模型的预测值与实际值运行趋势一致,且相对误差为12.02%,而基于传统聚类线性回归算法的相对误差为15.21%,基于BP神经网络预测算法的相对误差为19.51%,相空间重构算法的相对误差为38.42%。[结论]算例结果表明该方法的预测精度相对较高,证明了所提优化预测方法的可行性与有效性。(本文来源于《水土保持通报》期刊2017年04期）
近邻法论文开题报告范文
（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：
随着互联网技术的高速发展,结合了数据挖掘技术和专家系统技术的智慧医疗相关理论和应用研究引起了研究人员的关注。目前,智慧医疗的相关研究中,支持数据往往是静态的,而医疗知识和规则具有动态变化的特性,由此本文对支持数据进行了动态化研究。智慧医疗中诊断模型或预测模型常常需要用到分类算法。由此,本文针对数据挖掘分类算法(近邻法),进行了一系列的改进,主要包括分类精度的提高;对比样本优质需求的满足;分类时间的收敛;动态性的适应四个方面。同时,为了更好地提高分类精度,本文针对相似性度量算法也进行了优化研究,即将欧式距离和杰卡德距离结合,本文称之为欧式-杰卡德距离(Euclidean-Jaccard Distance,E-JD)。本文对近邻法的改进研究主要有以下五个阶段:1)本文提出了子群近邻方法(Sub-group Nearest Neighbors,SNN),该方法是对近邻法的改进,它能够消除近邻法的界限模糊问题和由对比样本数量不平衡导致的分类错误问题;2)SNN方法需要优质的对比样本集,由此,本文提出了动态子群近邻方法(Dynamic Sub-group Nearest Neighbors,D-SNN);3)D-SNN方法存在随着样本数量增多,耗时增多的问题,因此本文提出了具有时间收敛的动态子群近邻方法(Time-convergent Dynamic Sub-group Nearest Neighbors,TD-SNN);4)TD-SNN方法牺牲了准确率,由此,本文提出了具有容错数的动态子群近邻方法(Fault-tolerant Dynamic Sub-group Nearest Neighbors,FD-SNN),通过容错参数进行调整,达到了时间收敛目的且保证了分类精度;5)为了适应动态性,本文对FD-SNN方法进一步改进,加入了自动赋值法,提出了基于自动边界的具有容错数的动态子群近邻方法(Automatic-boundary Fault-tolerant DynamicSub-group Nearest Neighbor,AFD-SNN)。通过实验可知,本文提出的SNN方法比近邻法更有效,更稳定;FD-SNN方法实现了时间收敛,同时保证了分类精度;AFD-SNN方法分类效果没有达到最优,其自动赋值法需要深入研究;E-JD的分类效果比单一距离的分类效果好,并且E-JD2的分类效果更好;两种数据变换操作的分类效果相差无几。
（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。
近邻法论文参考文献
[1].蒋馥根,孙华,ZHAO,Feng,林辉,龙江平.基于方差优化k最近邻法的森林蓄积量估测[J].森林与环境学报.2019
[2].宗娜.动态医疗专家系统中对于近邻法的优化研究[D].内蒙古大学.2019
[3].金武杰,陈麟红.基于最近邻法的电力电缆巡线路径的优化[J].电力大数据.2019
[4].田家英,张志华.基于近邻法的WIFI室内定位改进算法研究[J].测绘工程.2018
[5].黄金海.手写体数字的K-最近邻法识别研究[J].无线互联科技.2018
[6].朱鹏飞.基于K-近邻法和粒子滤波的多目标跟踪算法[J].内蒙古师范大学学报(自然科学汉文版).2018
[7].郭海晨,周献中,杨萍萍.基于筛选和K最近邻法的叁维点云修补方法[J].机械设计与制造工程.2017
[8].李新春,侯跃.基于改进AP选择和K最近邻法算法的室内定位技术[J].计算机应用.2017
[9].陈志旺,黄兴旺,陈志兴,赵子铮.融合高斯建模和近邻法的区间多目标支配性预测策略[J].小型微型计算机系统.2017
[10].白晓哲,张慧妍,王小艺,王立,许继平.动态聚类最近邻法在湖库蓝藻水华预测中的应用[J].水土保持通报.2017