一种加权学习矢量量化算法

摘要：

针对传统学习矢量量化算法没有考虑属性的重要度差异的问题,提出一种加权学习矢量量化算法.该算法为每一维属性引入一个权重系数,用其表征相应属性在分类过程中的重要程度,并与权向量一同更新.利用输入样本和获胜神经元之间的修正距离的均值,控制权重系数更新的阈值及步长.距离均值确保了更新过程的稳定性,且无需进行权重系数的归一化操作.UCI机器学习数据库中6组数据的实验结果表明,该算法能够有效给出数据的本质属性,尤其是局部型权重系数.与传统学习矢量量化算法及其改进算法相比,识别率高、性能稳定、计算复杂度低.

关键词：模式识别、学习矢量量化、加权学习矢量量化、机器学习、属性加权

所属期刊栏目：24

分类号：TP183(自动化基础理论)

在线出版日期：2011-12-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：376-384