一种改进的KNN案例推理检索算法制造技术

本发明专利技术公开了一种改进的KNN案例推理检索算法，所述算法包括以下步骤：S1，遗传模拟退火‑模糊C均值聚类算法对案例库聚类，形成多个类簇；S2，改进的遗传‑粒子群混合算法优化各类簇近邻K值；S3，最优原则检索策略确定检索子案例库及近邻K值。本发明专利技术对优化各类簇近邻K值的算法、以及确定检索子案例库的算法都进行了改进研究，进而改善了案例推理检索算法的预测结果质量。最后使用mackey‑glass混沌时间序列数据进行仿真预测。实验证明，相较于传统KNN检索算法，本发明专利技术的检索算法对问题案例聚类后，预测结果的精度显著提高。

【技术实现步骤摘要】
一种改进的KNN案例推理检索算法
本专利技术涉及一种检索算法，具体涉及到一种改进的案例推理检索算法。
技术介绍
案例推理(case-basedreasoning，CBR)是人工智能领域一种基于现有知识的问题求解与学习方法，其解决问题的方法是通过重用或修改与问题案例相似性高的历史案例。一般地，最为广泛应用的CBR模型是Aamodt和Plaza提出的”4R循环“，即以下四个环节：(1)案例检索(Retrieve)：从案例库中检索与问题案例相似性最高的一个或多个相似源案例。(2)案例重用(Reuse)：将检索后得到的相似源案例作为建议解；(3)案例修正(Revise)：对案例重用得到的建议解进行评估。若评估合格，则不需要修正；若评估不合格，则对建议解进行相应的修正；(4)案例保存(Retain)：将问题案例以及其解决方案作为新案例存储到案例库中。目前，CBR的应用与研究非常广泛。案例检索是案例推理的中心环节。因此，检索算法的性能直接影响案例推理检索结果的精度和执行时间。目前常用的案例推理检索算法有：知识引导法(knowledge-guided本文档来自技高网...

【技术保护点】
1.一种改进的KNN案例推理检索算法，其特征在于，所述算法包括以下步骤：/nS1，遗传模拟退火-模糊C均值聚类算法对案例库聚类，形成多个类簇；/nS2，改进的遗传-粒子群混合算法优化各类簇近邻K值；/nS3，最优原则检索策略确定检索子案例库及近邻K值。/n

【技术特征摘要】
1.一种改进的KNN案例推理检索算法，其特征在于，所述算法包括以下步骤：
S1，遗传模拟退火-模糊C均值聚类算法对案例库聚类，形成多个类簇；
S2，改进的遗传-粒子群混合算法优化各类簇近邻K值；
S3，最优原则检索策略确定检索子案例库及近邻K值。


2.根据权利要求1所述的一种改进的KNN案例推理检索算法，其特征在于，所述步骤S1具体包括以下步骤：
S1.1假设一个数据集X有n个样本，聚类为cn类，其目标函数为：



其中：uk为隶属度函数；

dij为欧几里得距离，xi为第i个样本，cj为第j个类簇中心；b为加权参数，取值范围[1inf]；
隶属度函数：



类簇中心cj：



S1.2，初始化种群控制参数：种群规模pop_size,最大进化次数max_Iterate，交叉概率pc，变异概率pm，退火初始温度Tstart，冷却系数J，终止温度Tend，类簇个数cn；
S1.3，随机初始化cn个类簇中心，并生成初始种群Chrom，对每个类簇中心用公式(2)计算各样本的隶属度，以及用公式(1)计算每个个体的适应度值Fi，其中i＝1，2，…，pop_size；
S1.4，设置进化迭代参数Iterate＝0；
S1.5，对种群Chrom进行选择、交叉、变异等遗传操作，对新产生的个体用公式(2)、(3)计算各样本的隶属度、以及cn个类簇中心，并用公式(1)计算每一个体的适应度值fi；若fi＞Fi，则新个体替换旧个体；否则，以概率P＝exp((Fi-fi)T)接受新个体，抛弃旧个体；
S1.6，令Iterate＝Iterate+1，若Iterate<max_Iterate,则转至步骤S1.5；否则执行下一步；
S1.7，令Ti＝J*Ti-1，若Ti＞Tend，则转至步骤S1.4；否则，输出最优解。


3.根据权利要求1所述的一种改进的KNN案例推理检索算法，其特征在于，...

【专利技术属性】
技术研发人员：孙宝贵，车文刚，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53