本文關(guān)鍵詞：基于稀疏學(xué)習(xí)的kNN分類

  更多相關(guān)文章： 稀疏學(xué)習(xí) 重構(gòu) l-范數(shù) l-范數(shù) 噪聲樣本

【摘要】：在kNN算法分類問題中,k的取值一般是固定的,另外,訓(xùn)練樣本中可能存在的噪聲能影響分類結(jié)果。針對以上存在的兩個問題,本文提出一種新的基于稀疏學(xué)習(xí)的kNN分類方法。本文用訓(xùn)練樣本重構(gòu)測試樣本,其中,l_1-范數(shù)導(dǎo)致的稀疏性用來對每個測試樣本用不同數(shù)目的訓(xùn)練樣本進行分類,這解決了kNN算法固定k值問題;l_(21)-范數(shù)產(chǎn)生的整行稀疏用來去除噪聲樣本。在UCI數(shù)據(jù)集上進行實驗,本文使用的新算法比原來的kNN分類算法能取得更好的分類效果。
【作者單位】： 廣西師范大學(xué)計算機科學(xué)與信息工程學(xué)院;廣西區(qū)域多源信息集成與智能處理協(xié)同創(chuàng)新中心;桂林航天工業(yè)學(xué)院信息工程系;廣西大學(xué)計算機與電子信息學(xué)院;
【關(guān)鍵詞】： 稀疏學(xué)習(xí) 重構(gòu) l-范數(shù) l-范數(shù) 噪聲樣本
【基金】：國家自然科學(xué)基金資助項目(61450001,61263035,61573270) 國家973計劃項目(2013CB329404) 中國博士后科學(xué)基金資助項目(2015M570837) 廣西自然科學(xué)基金資助項目(2012GXNSFGA060004,2015GXNSFCB139011,2015GXNSFAA139306)
【分類號】：TP18
【正文快照】： 0引言模式分類是人工智能和模式識別中的一個基本問題。其主要考慮的問題:給定N個已知類別的C類樣本,對于任意給定的測試樣本,如何確定其類別,從而完成模式分類。迄今為止,已有很多分類器被提出,其中最具代表性的是最近鄰(NN)分類器,其將測試樣本歸為與其距離最近的樣本所在的，

本文編號：1105245