基于CUDA的并行K-近邻连接算法实现

针对大规模空间数据的K-近邻连接查询问题,设计了一种CUDA编程模型下K-近邻连接算法的并行优化方法。将K-近邻连接算法的并行过程分两个阶段:1)对参与查询的数据集P和Q分别建立R-Tree索引;2)基于R-Tree索引进行KNNJ查询。首先根据结点所在位置划分最小外包框,在CUDA下基于递归网格排序算法创建R-Tree索引。然后在CUDA下基于R-Tree索引进行KNNJ查询,其中涉及并行求距离和并行距离排序两个阶段:求距离阶段利用每一个线程计算任意两点之间的距离,点与点之间距离的求取无依赖并行;排序阶段将快速排序基于CUDA以实现并行化。实验结果表明,随着样本量的不断增大,基于R-Tree索引的并行K-近邻连接算法的优势更加明显,具有高效性和可扩展性。     

散乱数据点的k近邻搜索算法

文章提出了一种基于八叉树的快速k近邻搜索算法，即通过对点集建立包围盒。利用八叉树记录分割过程，从而使近邻点的搜索只局限于采样点所在包围盒及周围的包围盒，并通过剪枝策略，使搜索范围近一步缩小．提高了搜索的速度，并能对噪声点自动删除。     

基于平均距离的K-近邻分类改进算法

提出了一种基于平均距离的K-近邻分类改进算法,克服了K-近邻分类算法准确率不高的两个问题：一是各个类别的近邻个数相同时则无法判断测试样本的类别;二是即使某一类别的近邻个数较多,但由于此类别的近邻样本与测试样本的相似度都比较小,则有可能把测试样本错误地判断为此类别。     

基于小波分解和颜色熵的浮游生物图像识别

浮游生物图像识别分类是海洋生态研究的重要内容和必要前提,传统的浮游生物图像识别分类需要由专业人员进行人工识别,工作量大、效率低。该文提出一种基于小波分解结合颜色信息熵的浮游生物图像识别方法,提取图像的三层小波分解后系数的数学特征和四叉树分块后的颜色信息熵构造特征向量,采用相似度模型和K-近邻分类器对浮游生物图像进行分类。实验表明,与传统方法相比,该方法能在保证识别率的基础上提高识别效率,并具有良好的稳定性。     

基于IMF能量熵的目标特征提取与分类方法

提出了一种基于固有模态函数(IMF)能量熵的特征提取与选择方法。对三类信号进行了经验模态分解(EMD),得到IMF。对于不同类别的信号,同阶的IMF能量有明显的不同。选择IMF能量作为特征向量,并选判别熵作为分类判据,同时给出了两种能量熵的计算公式。采用K-近邻分类器对三类信号进行了分类试验,试验结果表明,基于最佳特征向量选择的分类试验的平均正确识别率达80%以上。