基于隶属度的模糊加权k近质心近邻算法

摘要：

模糊k近质心近邻算法(FKNCN)的分类结果易受噪声点和离群点影响,并且算法对所有样本特征同等对待,不能体现样本特征的差异性.针对这两个问题,提出基于隶属度的模糊加权k近质心近邻算法MRFKNCN.利用密度聚类思想构造新的隶属度函数计算训练样本的隶属度,以减小噪声或离群样本对分类结果的影响.在此基础上,设计基于冗余分析的Relief-F算法计算每个特征的权重,删去较小权重所对应的特征和冗余特征,并通过加权欧氏距离选取有代表性的k个近质心近邻,提高分类性能.最终,根据最大隶属度原则确定待分类样本的类别.利用UCI和KEEL中的多个数据集对MRFKNCN算法进行测试,并与KNN、KNCN、LMKNCN、FKNN、FKNCN2和BMFKNCN算法进行比较.实验结果表明,MRFKNCN算法的分类性能明显优于其他6个对比算法,平均准确率最高可提升4.68个百分点.

关键词：k近质心近邻算法、隶属度、冗余分析、特征选择、数据分类

所属期刊栏目：48

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金11801438

在线出版日期：2022-09-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：122-129