中国图象图形学报
中國圖象圖形學報
중국도상도형학보
JOURNAL OF IMAGE AND GRAPHICS
2013年
2期
195-200
,共6页
加权KNN%贝叶斯理论%半监督KNN%流形
加權KNN%貝葉斯理論%半鑑督KNN%流形
가권KNN%패협사이론%반감독KNN%류형
加权KNN(k-nearest neighbor)方法,仅利用了k个最近邻训练样本所提供的类别信息,而没考虑测试样本的贡献,因而常会导致一些误判.针对这个缺陷,提出了半监督KNN分类方法.该方法对序列样本和非序列样本,均能够较好地执行分类.在分类决策时,还考虑了c个最近邻测试样本的贡献,从而提高了分类的正确性.在Cohn-Kanade人脸库上,序列图像的识别率提高了5.95%,在CMU-AMP人脸库上,非序列图像的识别率提高了7.98%.实验结果表明,该方法执行效率高,分类效果好.
加權KNN(k-nearest neighbor)方法,僅利用瞭k箇最近鄰訓練樣本所提供的類彆信息,而沒攷慮測試樣本的貢獻,因而常會導緻一些誤判.針對這箇缺陷,提齣瞭半鑑督KNN分類方法.該方法對序列樣本和非序列樣本,均能夠較好地執行分類.在分類決策時,還攷慮瞭c箇最近鄰測試樣本的貢獻,從而提高瞭分類的正確性.在Cohn-Kanade人臉庫上,序列圖像的識彆率提高瞭5.95%,在CMU-AMP人臉庫上,非序列圖像的識彆率提高瞭7.98%.實驗結果錶明,該方法執行效率高,分類效果好.
가권KNN(k-nearest neighbor)방법,부이용료k개최근린훈련양본소제공적유별신식,이몰고필측시양본적공헌,인이상회도치일사오판.침대저개결함,제출료반감독KNN분류방법.해방법대서렬양본화비서렬양본,균능구교호지집행분류.재분류결책시,환고필료c개최근린측시양본적공헌,종이제고료분류적정학성.재Cohn-Kanade인검고상,서렬도상적식별솔제고료5.95%,재CMU-AMP인검고상,비서렬도상적식별솔제고료7.98%.실험결과표명,해방법집행효솔고,분류효과호.