基于k近邻的多尺度超球卷积神经网络学习

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％.

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

所属期刊栏目：48

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;北京联合大学校内科研专项;北京联合大学校内科研专项

在线出版日期：2022-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：111-119