一种用于电类实验测量数据判决的改进KNN算法

摘要：

电类实验教学过程中人工评判学生所测数据工作烦琐,影响了教学质量和效率.该文提出了改进的K近邻(K-nearest neighbors,KNN)分类算法,即基于均值漂移、安全间隔和核主成分分析(KPCA)的M-KPCA-KNN(KNN based on margin and KPCA)算法,以判断学生测量数据正确与否和错误原因.首先利用KPCA对高维实验数据进行降维,然后利用均值漂移向量找到不同类别数据的最密集位置,并在不同类别数据的边界设置安全间隔,最后,将与待测样本距离最近的k个数据设置权重,计算每个类别的权重和,权重和最大的类别为待测样本的类别.与现有的KNN算法相比,M-KPCA-KNN算法不仅提高了分类正确率,而且降低了时间复杂度.

关键词：改进KNN;实验教学;均值漂移;安全间隔;核主成分分析

所属期刊栏目：39

分类号：TP391.4(计算技术、计算机技术)

资助基金：上海交通大学教育教学研究项目JYJX200083

在线出版日期：2022-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：18-23,45