共查询到10条相似文献,搜索用时 31 毫秒
1.
面对互联网交易中店家靠刷销量欺骗消费者的问题,提出使用k最近邻(k-Nearest Neighbor,kNN)算法进行欺诈检测.针对传统kNN算法在搜索k近邻时耗时过多的问题,提出基于KD树结构的kNN算法.为解决经典KD树算法由于每次回溯都要回溯到根节点而导致查询效率低的问题,提出使用最佳桶优先(Best-Bin-First,BBF)算法进行k个近邻的查询.算法首先对待测数据集进行PCA降维,再构建KD树结构,最后使用BBF算法进行k近邻的查询.实验证明,提出的算法可及时有效地检测出欺骗行为. 相似文献
2.
针对LBS查询服务中构造的匿名框或选取的锚点仍位于敏感区域而导致的位置隐私泄漏问题,提出了基于敏感位置多样性的锚点选取算法。该算法根据用户访问数量和访问高峰时段,对不同敏感位置进行定义和筛选,选择具有相似特征的其他敏感位置构成多样性区域,并以该区域形心作为查询锚点,提高用户在敏感位置出现的多样性。以该锚点为查询标志,提出一种均衡增量近邻兴趣点查询算法HINN,在无需用户提供真实位置坐标的条件下实现K近邻兴趣点查询,同时改进了SpaceTwist方法中存在的查询兴趣点围绕锚点分布的缺陷,提高了查询准确度。实验表明,本方法实现了用户在敏感区域停留时的位置隐私保护目标,同时具有良好的兴趣点查询质量和较低的通信开销。 相似文献
3.
4.
针对Deep Web的查询需求,提出了一种基于K-近邻算法的Deep Web数据源的自动分类方法。该算法在对Deep Web网页进行表单特征提取及规范化的基础上,基于距离对Deep Web网页所属的目标主题进行判定。实验结果表明:基于K-近邻分类算法可以较有效地进行DeepWeb数据源的自动分类,并得到较高的查全率和查准率。 相似文献
5.
多标签碰撞问题被认为是射频识别系统中的一个关键问题.近来,许多基于比特追踪技术的查询树算法被提出用于有效的解决标签碰撞问题,然而由于无用的碰撞比特信息和空闲时隙的存在,这些查询树算法的性能都有待进一步提升.本文提出了一种基于比特查询的查询方法,该算法使得标签返回一个映射过比特串来取代原始的ID序列.同传统的ID查询相比较,比特查询不仅可以消除空闲查询还可以将碰撞标签分成更多子集并充分利用碰撞比特信息.基于该比特查询方法,我们提出了一种基于比特查询的多进制树(Bit query based M-ary tree,BQBMT)新型查询树算法,它通过多进制树迭代的分离碰撞,并通过比特查询模式和ID查询模式之间的最佳切换来快速识别标签.理论分析和仿真结果显示,BQBMT算法的的系统效率接近0.89,超过了现有的QT算法和混合防碰撞算法. 相似文献
6.
全k近邻(all k-nearest neighbor,AkNN)查询,是k近邻查询的一个变型,旨在在一个查询过程中为给定数据集的每个对象确定k个最近邻.提出了一种在Hadoop分布式平台下处理高维大数据的AkNN查询算法.首先使用行条化思想结合p-stable LSH算法将高维数据对象降维,然后结合空间填充曲线Z-order的优良特性,把降维后的数据嵌入一维空间中,接着进行范围查询.整个过程使用MapReduce框架分布式并行处理.实验结果表明,所提出的算法可以高效处理高维大数据的AkNN查询. 相似文献
7.
准确有效的哈希算法是实现海量高维数据近邻检索的关键.迭代量化哈希(Iterative Quantization,ITQ)和各向同性哈希(Isotropic Hash,IsoHash)是两种知名的编码方法.但是ITQ算法对旋转矩阵施加的约束过于单薄,容易导致过拟合;而IsoHash算法缺乏对哈希编码的更新策略,降低了编码质量.针对上述问题,提出了一种各向同性的迭代量化哈希算法.该方法采用迭代的策略,对编码矩阵和旋转矩阵交替更新,并在正交约束的基础上增加各向同性约束来学习最优旋转矩阵,最小化量化误差.在CIFAR-10、22K LabelMe和ANN_GIST_1M基准库上与多种方法进行对比,实验结果表明本文算法在查准率、查全率以及平均准确率均值等指标上均明显优于对比算法. 相似文献
8.
9.
为了提高人脸表情的正确识别率,提出了一种组合模糊支持向量机(FSVM)和K-近邻(KNN)的人脸表情识别的新方法.该方法通过主成分分析(PCA)提取人脸表情特征,对于待分类的不同区域,根据区分程度自适应划分为不同区域类型;并结合FSVM和KNN算法的特点,对不同区域类型切换分类算法.实验表明,此方法既能保证分类的精确度,又能简化计算复杂度. 相似文献
10.
使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。 相似文献