兰州理工大学学报
蘭州理工大學學報
란주리공대학학보
JOURNAL OF LANZHOU UNIVERSITY OF TECHNOLOGY
2013年
3期
70-74
,共5页
刘仲民%徐炎%赵彦敏%胡文瑾
劉仲民%徐炎%趙彥敏%鬍文瑾
류중민%서염%조언민%호문근
K-近邻%学习矢量量化%模式分类%概率模型%大规模样本
K-近鄰%學習矢量量化%模式分類%概率模型%大規模樣本
K-근린%학습시량양화%모식분류%개솔모형%대규모양본
K-nearest neighbor%learning vector quantization%pattern classification%probability model%large-scale samples
KNN是基于实例的算法,对于大规模样本算法分类性能不高.针对这一缺点,提出一种基于概率模型的学习矢量量化神经网络的改进KNN分类新方法.考虑到最优参考点训练的重要性,结合概率方法得到最佳参考点的判断准则函数,采用梯度下降最优化算法利用LVQ训练参考点的最佳位置.在对未知样本进行分类时选出样本x的K个近邻,采用“投票选举”机制最后判断样本x的所属类别.新方法减少KNN的计算复杂度和时间,弥补了KNN在处理大规模数据问题上的不足.在UCI中数据集上的仿真实验表明改进算法的可行性.
KNN是基于實例的算法,對于大規模樣本算法分類性能不高.針對這一缺點,提齣一種基于概率模型的學習矢量量化神經網絡的改進KNN分類新方法.攷慮到最優參攷點訓練的重要性,結閤概率方法得到最佳參攷點的判斷準則函數,採用梯度下降最優化算法利用LVQ訓練參攷點的最佳位置.在對未知樣本進行分類時選齣樣本x的K箇近鄰,採用“投票選舉”機製最後判斷樣本x的所屬類彆.新方法減少KNN的計算複雜度和時間,瀰補瞭KNN在處理大規模數據問題上的不足.在UCI中數據集上的倣真實驗錶明改進算法的可行性.
KNN시기우실례적산법,대우대규모양본산법분류성능불고.침대저일결점,제출일충기우개솔모형적학습시량양화신경망락적개진KNN분류신방법.고필도최우삼고점훈련적중요성,결합개솔방법득도최가삼고점적판단준칙함수,채용제도하강최우화산법이용LVQ훈련삼고점적최가위치.재대미지양본진행분류시선출양본x적K개근린,채용“투표선거”궤제최후판단양본x적소속유별.신방법감소KNN적계산복잡도화시간,미보료KNN재처리대규모수거문제상적불족.재UCI중수거집상적방진실험표명개진산법적가행성.
