10.3969/j.issn.1007-130X.2015.10.025
一种高效的K值自适应的SA-KNN算法
传统的K近邻(KNN)分类算法在实际应用过程中存在一些缺陷:没有考虑去除噪声样本,也没有考虑到在样本数据空间变换过程中保持样本数据本身的流形学结构,并且没有使用样本间属性的相关性.为此,提出引入稀疏学习理论,利用训练样本重构测试样本的方法,重构过程使用了样本间的相关性,也用到局部保持投影LPP保持数据结构不变,同时引入l2,1范数用于去除噪声样本的方法来寻找投影变换矩阵W,进而利用W确定KNN算法中K值的SA-KNN算法.在UCI数据集上的仿真实验结果表明,该方法比传统的KNN分类算法和Entropy-KNN算法有更高的分类准确度.
K近邻分类、相关性、去除噪声样本、局部保持投影、稀疏学习
37
TP181(自动化基础理论)
国家自然科学基金资助项目61170131和61263035;国家863计划资助项目2012AA011005;国家973计划资助项目2013CB329404;广西自然科学基金资助项目2012GXNSFGA060004;广西八桂创新团队和广西百人计划资助;广西研究生教育创新计划项目YCSZ2015095,YCSZ2015096
2015-11-10(万方平台首次上网日期,不代表论文的发表时间)
共6页
1965-1970