由于K-近鄰（K-NearestNeighbor,KNN）分類(lèi)直觀、簡(jiǎn)單、有效、易實(shí)現(xiàn)等優(yōu)點(diǎn),廣泛應(yīng)用于模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域中,更在2005年的ECDM國(guó)際會(huì)議上被選為十大最有影響力的數(shù)據(jù)挖掘算法。目前,在K-近鄰方面的研究主要集中在對(duì)待測(cè)樣本的分類(lèi)正確性、減小分類(lèi)搜索算法的復(fù)雜度、以及近鄰k值的選擇等方面。本文主要圍繞K-近鄰分類(lèi)展開(kāi)研究。首先,通過(guò)查找待測(cè)樣本的近質(zhì)心近鄰,提出了偽近質(zhì)心近鄰分類(lèi)算法（Pseudo Nearest Centroid Neighbor,PNCN）,來(lái)解決在小樣本數(shù)據(jù)集上的分類(lèi)易受到局外點(diǎn)影響這一問(wèn)題;其次,通過(guò)計(jì)算待測(cè)樣本的多個(gè)調(diào)和平均距離,提出了基于調(diào)和平均距離的k近鄰分類(lèi)算法（Harmonic Mean Distance-based K-Nearest Neighbor,HMDKNN）,來(lái)解決分類(lèi)算法對(duì)近鄰 k值的敏感性;最后,通過(guò)訓(xùn)練樣本的稀疏表示系數(shù)來(lái)選擇k個(gè)代表性最近鄰,提出了系數(shù)加權(quán) K 最近鄰分類(lèi)算法（Coefficient-Weighted K-Nearest Neighbor,CWKNN）和殘差加權(quán)K最近鄰分類(lèi)算法（Re... 

【文章來(lái)源】：陜西師范大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：118 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究工作及章節(jié)安排
第2章 基礎(chǔ)理論
    2.1 最近鄰分類(lèi)
    2.2 K-近鄰分類(lèi)
    2.3 距離度量
    2.4 實(shí)驗(yàn)數(shù)據(jù)
    2.5 評(píng)價(jià)方法
        2.5.1 分類(lèi)正確率
        2.5.2 置信區(qū)間
        2.5.3 交叉驗(yàn)證
第3章 偽近質(zhì)心近鄰分類(lèi)
    3.1 研究背景
    3.2 相關(guān)分類(lèi)方法
        3.2.1 局部均值K-近鄰分類(lèi)
        3.2.2 偽近鄰分類(lèi)
        3.2.3 近質(zhì)心近鄰分類(lèi)
        3.2.4 K-近質(zhì)心近鄰分類(lèi)
        3.2.5 局部均值K-近質(zhì)心近鄰分類(lèi)
    3.3 偽近質(zhì)心近鄰分類(lèi)
        3.3.1 分類(lèi)思想
        3.3.2 偽代碼
    3.4 各分類(lèi)方法比較
    3.5 算法復(fù)雜度
    3.6 實(shí)驗(yàn)結(jié)果
        3.6.1 真實(shí)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        3.6.2 人工數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        3.6.3 噪聲數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        3.6.4 實(shí)驗(yàn)小結(jié)
    3.7 本章小結(jié)
第4章 基于調(diào)和平均距離的K-近鄰分類(lèi)
    4.1 研究背景
    4.2 相關(guān)分類(lèi)方法
        4.2.1 局部均值K-近鄰分類(lèi)
        4.2.2 局部均值偽最近鄰分類(lèi)
        4.2.3 多局部均值的k次諧波最近鄰分類(lèi)
    4.3 基于調(diào)和平均距離的K-近鄰分類(lèi)
        4.3.1 分類(lèi)思想
        4.3.2 距離分析
        4.3.3 偽代碼
    4.4 各分類(lèi)方法比較
    4.5 算法復(fù)雜度
    4.6 實(shí)驗(yàn)結(jié)果
        4.6.1 真實(shí)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        4.6.2 人工數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        4.6.3 噪聲數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        4.6.4 時(shí)間序列數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        4.6.5 實(shí)驗(yàn)小結(jié)
    4.7 本章小結(jié)
第5章 基于稀疏表示的K-近鄰分類(lèi)
    5.1 研究背景
    5.2 相關(guān)分類(lèi)方法
        5.2.1 距離加權(quán)K-近鄰分類(lèi)
        5.2.2 基于稀疏表示的近鄰分類(lèi)
        5.2.3 線(xiàn)性重構(gòu)度量近鄰分類(lèi)
        5.2.4 基于協(xié)作表示的近鄰分類(lèi)
    5.3 基于稀疏系數(shù)加權(quán)的K-最近鄰分類(lèi)
        5.3.1 分類(lèi)思想
        5.3.2 偽代碼
    5.4 基于殘差加權(quán)的K-最近鄰分類(lèi)
        5.4.1 分類(lèi)思想
        5.4.2 偽代碼
    5.5 理論及實(shí)驗(yàn)依據(jù)
        5.5.1 理論依據(jù)
        5.5.2 實(shí)驗(yàn)依據(jù)
    5.6 算法復(fù)雜度
    5.7 實(shí)驗(yàn)結(jié)果
        5.7.1 數(shù)據(jù)集
        5.7.2 真實(shí)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.7.3 噪聲數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.7.4 實(shí)驗(yàn)小結(jié)
    5.8 本章小結(jié)
第6章 總結(jié)和展望
致謝
參考文獻(xiàn)
攻讀博士期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]粗糙集近似集的KNN文本分類(lèi)算法研究[J]. 楊帥華,張清華.  小型微型計(jì)算機(jī)系統(tǒng). 2017(10)
[2]一種融合Kmeans和KNN的網(wǎng)絡(luò)入侵檢測(cè)算法[J]. 華輝有,陳啟買(mǎi),劉海,張陽(yáng),袁沛權(quán).  計(jì)算機(jī)科學(xué). 2016(03)
[3]增量KNN模型的修剪策略研究[J]. 黃杰,郭躬德,陳黎飛.  小型微型計(jì)算機(jī)系統(tǒng). 2011(05)
[4]基于KNN模型的增量學(xué)習(xí)算法[J]. 郭躬德,黃杰,陳黎飛.  模式識(shí)別與人工智能. 2010(05)
[5]基于內(nèi)容圖像檢索的乳腺腫塊診斷技術(shù)研究[J]. 王慶巖,宋立新,王立.  生物醫(yī)學(xué)工程學(xué)雜志. 2010(05)
[6]基于并行遺傳算法的KNN分類(lèi)方法[J]. 王小青.  西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(02)
[7]簡(jiǎn)化的粒子群優(yōu)化快速KNN分類(lèi)算法[J]. 李歡,焦建民.  計(jì)算機(jī)工程與應(yīng)用. 2008(32)
[8]散亂數(shù)據(jù)點(diǎn)的k近鄰搜索算法[J]. 劉曉東,劉國(guó)榮,王穎,席延軍.  微電子學(xué)與計(jì)算機(jī). 2006(04)
[9]一種自適應(yīng)k-最近鄰算法的研究[J]. 余小鵬,周德翼.  計(jì)算機(jī)應(yīng)用研究. 2006(02)
[10]K-最近鄰分類(lèi)技術(shù)的改進(jìn)算法[J]. 王曉曄,王正歐.  電子與信息學(xué)報(bào). 2005(03)

博士論文
[1]模式分類(lèi)的K-近鄰方法[D]. 茍建平.電子科技大學(xué) 2013
[2]廣義近鄰模式分類(lèi)研究[D]. 曾勇.上海交通大學(xué) 2009

碩士論文
[1]基于KNN算法的空間手勢(shì)識(shí)別研究與應(yīng)用[D]. 張碩.吉林大學(xué) 2017



本文編號(hào)：3042540