计算机工程

作者：刘子巍, 骆曦, 李克, 陈富强

单位：北京联合大学 智慧城市学院, 北京 100101

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

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）。

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%。

来源：2022年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第11期