【摘要】：傳統(tǒng)的最近鄰居算法主要分為k-最近鄰居和逆最近鄰居,然而二者均在鄰域參數(shù)選擇問題中飽受困擾。在這兩種思想的基礎(chǔ)上,提出一種具有動(dòng)態(tài)鄰域特點(diǎn)的最近鄰居算法——自然鄰居,并圍繞其概念與特性形成了一套有效的方法。該算法從根本上克服了傳統(tǒng)最近鄰居思想在任意形狀(如流型)數(shù)據(jù)集中參數(shù)選擇的難題,擺脫了傳統(tǒng)方法的參數(shù)依賴,并且取得了極佳的效果。自然鄰居思想具有完善的理論模型和詳細(xì)的實(shí)現(xiàn)算法,并且經(jīng)驗(yàn)證其具有很強(qiáng)的魯棒性和適應(yīng)性。
[Abstract]:The traditional nearest neighbor algorithm is mainly divided into k- nearest neighbor and inverse nearest neighbor. However, both of them are troubled in the neighborhood parameter selection problem. On the basis of these two ideas, a nearest neighbor algorithm with dynamic neighborhood characteristics, natural neighbor, is proposed, and a set of effective methods are formed around its concept and characteristics. This algorithm fundamentally overcomes the problem of parameter selection in arbitrary shape (such as flow pattern) data set based on traditional nearest neighbor idea, and gets rid of the parameter dependence of traditional method, and achieves excellent results. The idea of natural neighbor has perfect theoretical model and detailed implementation algorithm, and it has strong robustness and adaptability.
【作者單位】： 重慶師范大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院;重慶大學(xué)軟件理論與技術(shù)重慶市重點(diǎn)實(shí)驗(yàn)室;
【基金】：重慶市自然科學(xué)基金(cstc2013jcyjA40049) 重慶師范大學(xué)基金項(xiàng)目(17XLB003)資助
【分類號(hào)】：TP301.6

【相似文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 吳珊珊;數(shù)據(jù)流頻繁項(xiàng)挖掘及相關(guān)性分析算法的研究[D];浙江大學(xué);2017年

相關(guān)碩士學(xué)位論文 前6條

1 賈yN愷;基于深度特征學(xué)習(xí)的目標(biāo)檢測(cè)與跟蹤算法研究[D];西安科技大學(xué);2017年

2 張燦龍;不確定DM-chameleon聚類算法在滑坡危險(xiǎn)性預(yù)測(cè)的研究及應(yīng)用[D];江西理工大學(xué);2017年

3 劉星晨;基于集成半監(jiān)督學(xué)習(xí)框架的電影視頻總結(jié)算法研究[D];天津大學(xué);2016年

4 韓瓊;基于邊界度模型的聚類技術(shù)研究[D];鄭州大學(xué);2017年

5 邵星星;基于尺度不變特征變換的虹膜識(shí)別技術(shù)研究[D];鄭州大學(xué);2017年

6 劉聰;基于k-匿名的軌跡隱私保護(hù)技術(shù)研究[D];江西理工大學(xué);2017年

，

本文編號(hào)：2348412