论文研究-一种改进的基于KNN的动态预测指纹定位算法.pdf

针对目前的Wi-Fi室内定位普遍存在定位精度不高、定位结果不稳定等问题进行了研究，为了改善这些不稳定因素，根据室内传播信号波动较大的特点，提出了一种基于KNN的指纹定位改进算法的方法。该算法通过动态预测节点位置，从无线地图中过滤掉到标签处没有相似RSS向量的RP来寻找最近邻，以降低KNN算法的时间和计算复杂度。实验结果表明，改进后的算法在定位精确度方面有了较大的提高。因此得出结论：改进后的KNN定位算法减小了位置漂移和定位的平均误差，确实可以提高定位的精确度。

论文研究-用于大数据分类的KNN算法研究.pdf

针对KNN算法在处理大数据时的两个不足对其进行了研究，提出多层差分KNN算法。算法对已知样本根据类域进行分层，既避免了传统改进算法中剪辑样本带来的判别误差，又大大降低了无效的计算量；同时在最后一层采用差分的方法进行决策，而不是直接根据最近邻进行分类，大大提高了分类的准确性。实验结果表明，该算法在对样本容量大、涉及邻域多的大数据样本进行分类时能取得较好的分类效果。

论文研究-无线传感器数据库中KNN查询算法研究 .pdf

无线传感器数据库中KNN查询算法研究，南国芳，黄才炎，有效地对特定节点q查询k个最近邻居节点（即KNN查询）是当前无线传感器数据库空间查询算法的热点之一。本文基于两种KNN查询算法，提�

论文研究-基于P2P结构的kNN组查询算法.pdf

给出了一种基于Vague集的模糊综合评判方法，利用Vague集的运算得到全部候选方案的总体模糊评判值，通过两两比较建立可能度矩阵，得到候选方案集的排序向量，从而实现对候选方案的最优选择。通过实例表明，该方法切实可行，可以很好地帮助用户从多个候选方案中选择最适合的方案。

论文研究-用于文本分类的改进KNN算法.pdf

采用灵敏度方法对距离公式中文本特征的权重进行修正；提出一种基于CURE算法和tabu算法的训练样本库的裁减方法，采用CURE聚类算法获得每个聚类的代表样本组成新的训练样本集合，然后用tabu算法对此样本集合进行进一步维护（添加或删除样本），添加样本时只考虑增加不同类交界处的样本，添加或删除样本以分类精度最高、与原始训练样本库距离最近为原则。

论文研究-基于经纬网格的递增KNN位置隐私保护查询算法.pdf

为了在使用基于位置的服务时用户的位置信息不被不可信的位置服务提供商所泄漏，k-匿名位置隐私保护已被广泛研究。然而在集中匿名器被黑客控制时原k-匿名算法会泄漏所有用户的位置隐私，在进行k个最近邻目标查询时对网络的负载较重，而SpaceTwist算法又不能保证k-匿名。提出了一种基于经纬网格的递增KNN位置隐私保护查询算法，将经典的k-匿名算法与SpaceTwist算法相杂交，并引入经纬网格代替原来精确的位置上报给集中匿名器，从而解决了上述问题。实验证明基于经纬网格的递增KNN查询算法比较节省从集中匿名器到位置服务提供商的服务器之间的网络流量。

论文研究-用于案例分类的KNN算法的改进 .pdf

用于案例分类的KNN算法的改进，张扬，，基于案例的推理是目前人工智能领域的一项逐步被发掘的技术，其中案例分类是最关键的一个步骤，本文针对应用在案例分类中KNN算法存

MATLAB室内定位程序仿真-基于KNN算法的定位

MATLAB室内定位程序仿真，基于KNN算法的室内定位算法，比较简单，能有点参考。

论文研究-基于属性约简的Entropy-KNN改进算法 .pdf

基于属性约简的Entropy-KNN改进算法，赵晓丽，韦凌云，为降低维度灾难对分类算法效率和准确率的影响，本文提出基于属性约简的Entropy-KNN改进算法，将信息论中的信息熵理论与KNN算法结合起�

论文研究-基于半监督仿射传播聚类和KLDA的室内定位算法.pdf

室内定位中位置指纹库采集的密集程度往往与定位精度密切相关，针对离线阶段时指纹库稀疏的情况下定位精度低的问题，提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据，通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中，并使用KLDA方法抽取位置指纹库中最大的特征信息，有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明，该算法结合在线阶段RSSI数据后定位精度得到了明显的提高，而且在仅保留离线指纹数据库三分之二的情况下，几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度，相当于减少了离线阶段采集指纹库的工作开销。

论文研究-一种CF树结合KNN图划分的文本聚类算法.pdf

为了提升文本聚类效果，改善传统聚类算法在参数设定，稳定性等方面存在的不足，提出新的文本聚类算法TCBIBK（a Text Clustering algorithm Based on Improved BIRCH and K-nearest neighbor）。该算法以BIRCH聚类算法为原型，聚类过程中除判断文本对象与簇的距离外，增加判断簇与簇之间的距离，采取主动的簇合并或分裂，设置动态的阈值。同时结合KNN分类算法，在保证良好聚类效率前提下提升聚类稳定性，将TCBIBK算法应用于文本聚类，能够提高文本聚类效果。对比实验结果表明，该算法聚类有效性与稳定性都得到较大提高。

论文研究-一种基于独立类别特性的改进KNN文本分类算法 .pdf

一种基于独立类别特性的改进KNN文本分类算法，王慧亮，辛阳，在万维网迅猛发展的今日，数据挖掘中的文本分类技术业已成为组织和处理海量文档的关键技术。KNN算法稳定性好、准确率高，作为一种

论文研究-基于Storm的流数据KNN分类算法的研究与实现.pdf

KNN算法是一种简单、有效且易于实现的分类算法，可用于类域较大的分类。近年来对KNN算法的研究偏向于静态大数据集，不过，在越来越多的情况下要用KNN算法在线实时处理流数据。考虑到流式数据流量大，连续且快速，不易存储和恢复等特性，以及流处理系统Storm对流数据处理具有实时性、可靠性的特点，提出了基于Storm的流数据KNN分类算法，该算法首先对整个样本集进行划分，形成多个片集，然后计算出待分类向量在各片集上的[K]近邻，最后再将所有片集[K]近邻归约得出整体[K]近邻，实现待分类向量的分类。实验结果表明，基于Storm的流数据KNN分类算法能够满足大数据背景下对流数据分类的高吞吐量、可扩展性、实时性和准确性的要求。

论文研究-ML-kNN算法在大数据集上的高效应用.pdf

k近邻多标签算法（ML-kNN）是一种懒惰学习算法，并已经成功地应用到实际生活中。随着信息量的不断增大，将ML-kNN算法运用到大数据集上已是形势所需。利用聚类算法将数据集分为几个不同的部分，然后在每一个部分中使用ML-kNN算法，并在四个规模不同的数据集上进行了一系列实验。实验结果表明，基于此思想的ML-kNN算法不论在精度、性能还是效率上都略胜一筹。

论文研究-基于SP-LNS-KNN的半导体生产过程故障检测方法研究.pdf

半导体生产过程是典型的间歇过程，针对其过程数据的多模态、多阶段、模态结构不同和批次不等长等特点，提出了基于统计模量的局部近邻标准化和K近邻相结合的故障检测方法（SP-LNS-KNN）。首先计算样本的统计模量，其次对样本的统计模量使用其局部K近邻集进行标准化，最后计算样本与其前K近邻距离，得到平均累积距离D作为检测指标，进而对工业过程进行在线故障检测。统计模量保留了数据的主要信息，将二维样本数据简化为一维数据；局部近邻标准化可以有效降低中心漂移、模态结构差异明显的影响。SP-LNS-KNN不仅能够对大故障实现检测，并且能够提高对小模态的微弱故障的检测能力。使用SP-LNS-KNN对一个实际半导体生产过程数据进行故障检测实验，并将实验结果与PCA、KPCA、LOF和FD-KNN方法的结果进行对比分析，验证了方法的有效性。

论文研究-基于PDR反馈的Wi-Fi室内定位算法研究.pdf

Wi-Fi指纹定位易受周围环境的影响，稳定性差；行人航迹推算（pedestrian dead reckoning，PDR）定位需要待定位目标的初始位置，且容易产生累计误差。针对上述问题，提出了一种基于PDR反馈的Wi-Fi室内定位算法。该算法主要分为三个阶段：基于相关向量回归（relevance vector regression，RVR）的初始位置定位阶段、基于PDR定位的反馈阶段、基于K近邻（K-nearest neighbor，KNN）的指纹定位阶段。实验结果表明，提出的算法在定位精度和稳定性方面较其他的定位算法有明显的提高，并且该算法相对于Wi-Fi定位减小了时间复杂度，实时性较好。

论文研究-基于属性加权的ML-KNN算法改进 .pdf

基于属性加权的ML-KNN算法改进，高文鹏，张彬，ML-KNN是应用朴素贝叶斯分类到KNN算法中解决多标记学习问题的一种算法，算法简洁、分类准确率高，相较其他成熟的多标记算法性能更优

论文研究-基于类中心向量的改进KNN算法 .pdf

基于类中心向量的改进KNN算法，郭茂，，本文提出了基于类中心向量的K最近邻(KNN)算法，解决了对待分类文本进行类标识时，KNN算法的执行效率受训练文本集和测试文本集规模制

论文研究-基于模糊熵的KNN分类模型在岩性识别中的应用.pdf

KNN分类模型是一种简单直接的惰性分类算法，适用于多分类问题，可应用于复杂岩性识别中。该研究以苏里格气田苏东某区为研究工区，该地区岩性结构复杂多样，其识别是本次研究工作的重点。传统KNN方法在类重叠度高的部分易判错，样本容量小的类域易误分，稀疏类的边缘点易受干扰，分类效果欠佳。为克服缺点，提出了基于模糊熵的KNN分类模型，又称为FE-KNN（Fuzzy Entropy-KNN）。FE-KNN分类模型将传统KNN与模糊理论相结合，区别对待不同特征和不同样本点，使分类的精度由84.7%提高至86.9%，为复杂碳酸盐岩岩性识别提供了一种新的思路。