10.3969/j.issn.1673-4785.201307015
融合邻域信息的k-近邻分类
距离度量是影响k-近邻(KNN)法分类精度的重要因素之一.提出一种融合邻域信息的k-近邻算法.首先,定义了样本邻域的概念,并根据邻域的影响提出2条相应准则;然后,在计算测试样本与训练样本的距离时,综合考虑了样本邻域所带来的影响.该算法不仅可以更加精确地刻画样本之间的距离,而且一定程度上增强了KNN的稳定性.该方法在UCI标准数据集上进行了测试,结果表明,性能优于或与其他相关的分类器相当,并且在噪声扰动下具有较强的鲁棒性.
k-近邻、邻域信息、分类学习、距离测量、噪音干扰
9
TP181(自动化基础理论)
国家自然科学基金资助项目61303131,61379021;福建省自然科学基金资助项目2013J01028,2012D141;福建省A类科技资助项目JA12220
2014-07-01(万方平台首次上网日期,不代表论文的发表时间)
共4页
240-243