典型文献
基于k近邻的多尺度超球卷积神经网络学习
文献摘要：
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％.
文献关键词：
卷积神经网络;k近邻算法;超球卷积;结构化数据;深度学习
中图分类号：
作者姓名：
刘子巍;骆曦;李克;陈富强
作者机构：
北京联合大学 智慧城市学院,北京 100101
文献出处：
引用格式：
[1]刘子巍;骆曦;李克;陈富强-.基于k近邻的多尺度超球卷积神经网络学习)[J].计算机工程,2022(11):111-119
A类：
超球卷积
B类：
神经网络学习,深度学习模型,均匀采样,欧氏空间,空间数据,非均匀,稀疏采样,结构化数据,kNN,高维,结构关系,邻域,记作,样本集合,数据属性,属性集,合理设计,有效提取,标记分布,未知样本,预测准确率,召回率,FC,Radar,近邻算法
AB值：
0.290925
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
