模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2012年
4期
617-623
,共7页
余鹰%苗夺谦%刘财辉%王磊
餘鷹%苗奪謙%劉財輝%王磊
여응%묘탈겸%류재휘%왕뢰
K最近邻(KNN)%变精度粗糙集%上下近似
K最近鄰(KNN)%變精度粗糙集%上下近似
K최근린(KNN)%변정도조조집%상하근사
传统KNN算法具有简单、稳定和高效的特点,在实际领域得到广泛应用.但算法的时间复杂度与样本规模成正比,大规模或高维数据会降低KNN分类效率.文中通过引入变精度粗糙集模型,提出一种改进的KNN分类算法.算法运用变精度粗糙集上下近似概念,将各类训练样本划分为核心和边界区域,分类过程计算新样本与各类的近似程度,获取新样本的归属区域,减小分类代价,增强算法的鲁棒性.实验表明,与传统KNN算法相比,文中算法保持较高的分类精度并有效提高分类效率,具有一定的理论与实际价值.
傳統KNN算法具有簡單、穩定和高效的特點,在實際領域得到廣汎應用.但算法的時間複雜度與樣本規模成正比,大規模或高維數據會降低KNN分類效率.文中通過引入變精度粗糙集模型,提齣一種改進的KNN分類算法.算法運用變精度粗糙集上下近似概唸,將各類訓練樣本劃分為覈心和邊界區域,分類過程計算新樣本與各類的近似程度,穫取新樣本的歸屬區域,減小分類代價,增彊算法的魯棒性.實驗錶明,與傳統KNN算法相比,文中算法保持較高的分類精度併有效提高分類效率,具有一定的理論與實際價值.
전통KNN산법구유간단、은정화고효적특점,재실제영역득도엄범응용.단산법적시간복잡도여양본규모성정비,대규모혹고유수거회강저KNN분류효솔.문중통과인입변정도조조집모형,제출일충개진적KNN분류산법.산법운용변정도조조집상하근사개념,장각류훈련양본화분위핵심화변계구역,분류과정계산신양본여각류적근사정도,획취신양본적귀속구역,감소분류대개,증강산법적로봉성.실험표명,여전통KNN산법상비,문중산법보지교고적분류정도병유효제고분류효솔,구유일정적이론여실제개치.
