基于局部密度和相似度的自适应SNN算法
在近邻算法中,近邻样本和目标样本之间的绝对距离和相似性为目标样本类别的判断提供重要的决策依据,K值的大小也会直接决定了近邻算法的预测效果.然而,SNN算法在预测过程中,使用固定的经验K值来预测不同局部密度的目标样本,具有一定的片面性.因此,为实现SNN算法中K值的合理调节,提高算法的预测准确度和稳定性,提出一种基于局部密度和相似度的自适应SNN算法(AK-SNN).算法的性能在UCI数据集上进行验证,结果显示该算法取得优于KNN和SNN的预测效果和鲁棒性.
KNN、SNN、相似度计算、局部密度、自适应、AK-SNN
17
TP301(计算技术、计算机技术)
国家自然科学基金项目:面向移动环境的情感推荐隐式反馈偏好挖掘研究;河北省高等学校科学技术研究项目:基于无线信号的室内人员身份识别技术研究;河北省自然科学基金:;WBANs多网共存中MAC机制的融合与优化研究
2021-03-17(万方平台首次上网日期,不代表论文的发表时间)
共4页
6-9