-
题名基于k近邻的多尺度超球卷积神经网络学习
被引量：2
- 1
-
-
作者
刘子巍
骆曦
李克
陈富强
-
机构
北京联合大学智慧城市学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第11期111-119,共9页
-
基金
国家自然科学基金(61972040)
北京联合大学校内科研专项(ZK50201911,ZB10202004)。
-
文摘
以卷积神经网络(CNN)为代表的深度学习模型主要面向图像、语音等均匀采样的同质欧氏空间数据,通常不适用于大量存在于工业等领域的异质、非均匀稀疏采样的结构化数据。针对异质、非均匀稀疏采样结构化数据集的预测任务,提出一种基于k近邻(kNN)算法和CNN的超球卷积神经网络学习模型。通过kNN预处理建立各样本在高维属性空间中的结构关系,将样本邻域内各样本的标记作为其属性重构样本集合,实现数据属性集从异质到同质的转化,进而通过合理设计CNN的卷积窗,有效提取和利用各样本的邻域空间中样本的标记分布特征,完成对未知样本的预测。在不同邻域尺度、软硬标记以及混淆非混淆等条件下进行实验,结果表明,该模型预测准确率达到98.04%,其准确率和召回率较FC-CNN、CNN、kNN和Radar-CNN算法分别提升0.28%~1.66%和4.78%~31.92%。
-
关键词
卷积神经网络
K近邻算法
超球卷积
结构化数据
深度学习
-
Keywords
Convolutional Neural Network(CNN)
k-Nearest Neighbor(kNN)algorithm
hypersphere convolution
structured data
deep learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
