10.3969/j.issn.1007-130X.2019.05.006
基于聚类的环形kNN算法
传统k最近邻算法kNN在数据分类中具有广泛的应用,但该算法具有较多的冗余计算,致使处理高维数据时花费较多的计算时间.同时,基于地标点谱聚类的分类算法(LC-kNN和RC-kNN)中距离当前测试点的最近邻点存在部分缺失,导致其准确率降低.针对上述问题,提出一种基于聚类的环形k最近邻算法.提出的算法在聚类算法的基础上,首先将训练集中相似度较高的数据点聚成一个簇,然后以当前测试点为中心设置一个环形过滤器,最后通过kNN算法对过滤器中的点进行分类,其中聚类算法可以根据实际情况自由选择.算法性能已在UCI数据库中6组公开数据集上进行了实验测试,实验结果表明:AkNNE与AkNN H算法比kNN算法在计算量上平均减少51%,而在准确率上比LC-kNN和RC-kNN算法平均提高3%.此外,当数据在10000维的情况下该算法仍然有效.
环形过滤器、聚类、分类、相邻簇心组、三角不等式
41
TP181(自动化基础理论)
国家自然科学基金61672171,61702115,61702114;广东省自然科学基金重点项目2018B030311007
2019-06-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
804-812