基于稀疏学习的kNN分类

发布时间：2017-10-27 21:19

  本文关键词：基于稀疏学习的kNN分类

  更多相关文章： 稀疏学习 重构 l-范数 l-范数 噪声样本

【摘要】：在kNN算法分类问题中,k的取值一般是固定的,另外,训练样本中可能存在的噪声能影响分类结果。针对以上存在的两个问题,本文提出一种新的基于稀疏学习的kNN分类方法。本文用训练样本重构测试样本,其中,l_1-范数导致的稀疏性用来对每个测试样本用不同数目的训练样本进行分类,这解决了kNN算法固定k值问题;l_(21)-范数产生的整行稀疏用来去除噪声样本。在UCI数据集上进行实验,本文使用的新算法比原来的kNN分类算法能取得更好的分类效果。
【作者单位】： 广西师范大学计算机科学与信息工程学院;广西区域多源信息集成与智能处理协同创新中心;桂林航天工业学院信息工程系;广西大学计算机与电子信息学院;
【关键词】： 稀疏学习 重构 l-范数 l-范数 噪声样本
【基金】：国家自然科学基金资助项目(61450001,61263035,61573270) 国家973计划项目(2013CB329404) 中国博士后科学基金资助项目(2015M570837) 广西自然科学基金资助项目(2012GXNSFGA060004,2015GXNSFCB139011,2015GXNSFAA139306)
【分类号】：TP18
【正文快照】： 0引言模式分类是人工智能和模式识别中的一个基本问题。其主要考虑的问题:给定N个已知类别的C类样本,对于任意给定的测试样本,如何确定其类别,从而完成模式分类。迄今为止,已有很多分类器被提出,其中最具代表性的是最近邻(NN)分类器,其将测试样本归为与其距离最近的样本所在的，

本文编号：1105245