基于特征熵相关度差异的KNN算法

摘要：

传统K最近邻(KNN)法在进行样本分类时容易产生无法判断或判断错误的问题.为此,将特征熵与KNN相结合,提出一种新的分类算法(FECD-KNN).该算法采用熵作为类相关度,以其差异值计算样本距离.用熵理论规约分类相关度,并根据相关度间的差异值衡量特征对分类的影响程度,从而建立距离测度与类别间的内在联系.仿真实验结果表明,与KNN及Entropy-KNN法相比,FECD-KNN在保持效率的情况下,能够提高分类准确性.

关键词：K最近邻算法、熵、相关度、差异

所属期刊栏目：37

分类号：TP181(自动化基础理论)

在线出版日期：2012-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：146-148