长安农机的KNN智能分类算法

KNN智能分类算法的基本思想是计算训练样本和新样板之间的距离，然后找到最近的 K 个相邻样本数据，根据这些相邻样本数据，来判定新的样本类别。如果属于同一类，则判定样本属于这个类别; 如果不属于这个类别，则对候选类别进行评分，按照规则确定新样本的类别。最后，把新的测试样本归类到最近的 K 个训练样本中出现频率最大的。使用 KNN算法分类是基于临近样本数据具有类似的预测值，基本思想是在多维空间 Ｒn中搜索未知样本，找到与未知样本最近邻的 K 个点，并根据 K 个点来判断未知的样本数据。这 K 个点便是待分类样本的 k － 最近邻。综合上述过程，对基于 KNN 算法的农机虚拟云制造系统设计过程如下:1) 寻找合适的农机部件制造服务候选资源训练数据集。农机部件制造服务候选资源训练数据集需要对历史数据具有很好的覆盖功能，这样才有利于对近邻的预测。选取的训练数据要有代表性，既要保证训练样本数据集的大小，又要保证数据集的精度。2) 确定距离函数。距离函数的选取比较重要，决定哪些服务候选资源是 K 个待分类的近邻，其选取取决于实际的数据和决策。如果样本是空间上分布的点，则可以选用欧几里得距离。3) 决定 K 取值。K 值的选取对分类影响较大，一般可以初始确定一个值，通过不断调试，得到合适的值。4) 确定候选资源的类别。候选资源的最终确定可以根据类别中出现频率最高的来选择，如果最高的不只一个，可以选择最近邻的。农机部件制造服务候选资源的选择，可以有效地缩短农机制造的整个设计和加工流程，从而提高农机现代化设计和制造的效率。