计算机学报
計算機學報
계산궤학보
CHINESE JOURNAL OF COMPUTERS
2007年
8期
1277-1285
,共9页
学习型矢量量化(LVQ)%生长型神经气(GNG)%学习误差%类间距离%学习概率
學習型矢量量化(LVQ)%生長型神經氣(GNG)%學習誤差%類間距離%學習概率
학습형시량양화(LVQ)%생장형신경기(GNG)%학습오차%류간거리%학습개솔
KNN作为一种简单的分类方法在文本分类中有广泛的应用,但存在着计算量大和训练文档分布不均所造成的分类准确率下降等同题.针对这些问题,基于最小化学习误差的增量思想,该文将学习型矢量量化(LVQ)和生长型神经气(GNG)结合起来提出一种新的增量学习型矢量量化方法,并将其应用到文本分类中.文中提出的算法对所有的训练样本有选择性地进行一次训练就可以生成有效的代表样本集,具有较强的学习能力.实验结果表明:这种方法不仅可以降低KNN方法的测试时间,而且可以保持甚至提高分类的准确性.
KNN作為一種簡單的分類方法在文本分類中有廣汎的應用,但存在著計算量大和訓練文檔分佈不均所造成的分類準確率下降等同題.針對這些問題,基于最小化學習誤差的增量思想,該文將學習型矢量量化(LVQ)和生長型神經氣(GNG)結閤起來提齣一種新的增量學習型矢量量化方法,併將其應用到文本分類中.文中提齣的算法對所有的訓練樣本有選擇性地進行一次訓練就可以生成有效的代錶樣本集,具有較彊的學習能力.實驗結果錶明:這種方法不僅可以降低KNN方法的測試時間,而且可以保持甚至提高分類的準確性.
KNN작위일충간단적분류방법재문본분류중유엄범적응용,단존재착계산량대화훈련문당분포불균소조성적분류준학솔하강등동제.침대저사문제,기우최소화학습오차적증량사상,해문장학습형시량양화(LVQ)화생장형신경기(GNG)결합기래제출일충신적증량학습형시량양화방법,병장기응용도문본분류중.문중제출적산법대소유적훈련양본유선택성지진행일차훈련취가이생성유효적대표양본집,구유교강적학습능력.실험결과표명:저충방법불부가이강저KNN방법적측시시간,이차가이보지심지제고분류적준학성.
