计算机工程与科学
計算機工程與科學
계산궤공정여과학
Computer Engineering and Science
2015年
10期
1965-1970
,共6页
K近邻分类%相关性%去除噪声样本%局部保持投影%稀疏学习
K近鄰分類%相關性%去除譟聲樣本%跼部保持投影%稀疏學習
K근린분류%상관성%거제조성양본%국부보지투영%희소학습
K nearest neighbor (KNN) classification%correlation%removal of noise samples%locality preserving projection%sparse learning
传统的K近邻(KNN)分类算法在实际应用过程中存在一些缺陷:没有考虑去除噪声样本,也没有考虑到在样本数据空间变换过程中保持样本数据本身的流形学结构,并且没有使用样本间属性的相关性.为此,提出引入稀疏学习理论,利用训练样本重构测试样本的方法,重构过程使用了样本间的相关性,也用到局部保持投影LPP保持数据结构不变,同时引入l2,1范数用于去除噪声样本的方法来寻找投影变换矩阵W,进而利用W确定KNN算法中K值的SA-KNN算法.在UCI数据集上的仿真实验结果表明,该方法比传统的KNN分类算法和Entropy-KNN算法有更高的分类准确度.
傳統的K近鄰(KNN)分類算法在實際應用過程中存在一些缺陷:沒有攷慮去除譟聲樣本,也沒有攷慮到在樣本數據空間變換過程中保持樣本數據本身的流形學結構,併且沒有使用樣本間屬性的相關性.為此,提齣引入稀疏學習理論,利用訓練樣本重構測試樣本的方法,重構過程使用瞭樣本間的相關性,也用到跼部保持投影LPP保持數據結構不變,同時引入l2,1範數用于去除譟聲樣本的方法來尋找投影變換矩陣W,進而利用W確定KNN算法中K值的SA-KNN算法.在UCI數據集上的倣真實驗結果錶明,該方法比傳統的KNN分類算法和Entropy-KNN算法有更高的分類準確度.
전통적K근린(KNN)분류산법재실제응용과정중존재일사결함:몰유고필거제조성양본,야몰유고필도재양본수거공간변환과정중보지양본수거본신적류형학결구,병차몰유사용양본간속성적상관성.위차,제출인입희소학습이론,이용훈련양본중구측시양본적방법,중구과정사용료양본간적상관성,야용도국부보지투영LPP보지수거결구불변,동시인입l2,1범수용우거제조성양본적방법래심조투영변환구진W,진이이용W학정KNN산법중K치적SA-KNN산법.재UCI수거집상적방진실험결과표명,해방법비전통적KNN분류산법화Entropy-KNN산법유경고적분류준학도.
