烏拉特中農機的KNN智能分類算法

KNN智能分類算法的基本思想是計算訓練樣本和新樣板之間的距離，然后找到最近的 K 個相鄰樣本數據，根據這些相鄰樣本數據，來判定新的樣本類別。如果屬于同一類，則判定樣本屬于這個類別; 如果不屬于這個類別，則對候選類別進行評分，按照規則確定新樣本的類別。最后，把新的測試樣本歸類到最近的 K 個訓練樣本中出現頻率最大的。使用 KNN算法分類是基于臨近樣本數據具有類似的預測值，基本思想是在多維空間 Ｒn中搜索未知樣本，找到與未知樣本最近鄰的 K 個點，并根據 K 個點來判斷未知的樣本數據。這 K 個點便是待分類樣本的 k － 最近鄰。綜合上述過程，對基于 KNN 算法的農機虛擬云制造系統設計過程如下:1) 尋找合適的農機部件制造服務候選資源訓練數據集。農機部件制造服務候選資源訓練數據集需要對歷史數據具有很好的覆蓋功能，這樣才有利于對近鄰的預測。選取的訓練數據要有代表性，既要保證訓練樣本數據集的大小，又要保證數據集的精度。2) 確定距離函數。距離函數的選取比較重要，決定哪些服務候選資源是 K 個待分類的近鄰，其選取取決于實際的數據和決策。如果樣本是空間上分布的點，則可以選用歐幾里得距離。3) 決定 K 取值。K 值的選取對分類影響較大，一般可以初始確定一個值，通過不斷調試，得到合適的值。4) 確定候選資源的類別。候選資源的最終確定可以根據類別中出現頻率最高的來選擇，如果最高的不只一個，可以選擇最近鄰的。農機部件制造服務候選資源的選擇，可以有效地縮短農機制造的整個設計和加工流程，從而提高農機現代化設計和制造的效率。