由于K-近鄰（K-NearestNeighbor,KNN）分類直觀、簡單、有效、易實現(xiàn)等優(yōu)點,廣泛應(yīng)用于模式識別、機器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域中,更在2005年的ECDM國際會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待測樣本的分類正確性、減小分類搜索算法的復(fù)雜度、以及近鄰k值的選擇等方面。本文主要圍繞K-近鄰分類展開研究。首先,通過查找待測樣本的近質(zhì)心近鄰,提出了偽近質(zhì)心近鄰分類算法（Pseudo Nearest Centroid Neighbor,PNCN）,來解決在小樣本數(shù)據(jù)集上的分類易受到局外點影響這一問題;其次,通過計算待測樣本的多個調(diào)和平均距離,提出了基于調(diào)和平均距離的k近鄰分類算法（Harmonic Mean Distance-based K-Nearest Neighbor,HMDKNN）,來解決分類算法對近鄰 k值的敏感性;最后,通過訓(xùn)練樣本的稀疏表示系數(shù)來選擇k個代表性最近鄰,提出了系數(shù)加權(quán) K 最近鄰分類算法（Coefficient-Weighted K-Nearest Neighbor,CWKNN）和殘差加權(quán)K最近鄰分類算法（Re... 

【文章來源】：陜西師范大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：118 頁

【學(xué)位級別】：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
    2.2 K-近鄰分類
    2.3 距離度量
    2.4 實驗數(shù)據(jù)
    2.5 評價方法
        2.5.1 分類正確率
        2.5.2 置信區(qū)間
        2.5.3 交叉驗證
第3章 偽近質(zhì)心近鄰分類
    3.1 研究背景
    3.2 相關(guān)分類方法
        3.2.1 局部均值K-近鄰分類
        3.2.2 偽近鄰分類
        3.2.3 近質(zhì)心近鄰分類
        3.2.4 K-近質(zhì)心近鄰分類
        3.2.5 局部均值K-近質(zhì)心近鄰分類
    3.3 偽近質(zhì)心近鄰分類
        3.3.1 分類思想
        3.3.2 偽代碼
    3.4 各分類方法比較
    3.5 算法復(fù)雜度
    3.6 實驗結(jié)果
        3.6.1 真實數(shù)據(jù)集實驗結(jié)果
        3.6.2 人工數(shù)據(jù)集實驗結(jié)果
        3.6.3 噪聲數(shù)據(jù)集實驗結(jié)果
        3.6.4 實驗小結(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
    4.1 研究背景
    4.2 相關(guān)分類方法
        4.2.1 局部均值K-近鄰分類
        4.2.2 局部均值偽最近鄰分類
        4.2.3 多局部均值的k次諧波最近鄰分類
    4.3 基于調(diào)和平均距離的K-近鄰分類
        4.3.1 分類思想
        4.3.2 距離分析
        4.3.3 偽代碼
    4.4 各分類方法比較
    4.5 算法復(fù)雜度
    4.6 實驗結(jié)果
        4.6.1 真實數(shù)據(jù)集實驗結(jié)果
        4.6.2 人工數(shù)據(jù)集實驗結(jié)果
        4.6.3 噪聲數(shù)據(jù)集實驗結(jié)果
        4.6.4 時間序列數(shù)據(jù)集實驗結(jié)果
        4.6.5 實驗小結(jié)
    4.7 本章小結(jié)
第5章 基于稀疏表示的K-近鄰分類
    5.1 研究背景
    5.2 相關(guān)分類方法
        5.2.1 距離加權(quán)K-近鄰分類
        5.2.2 基于稀疏表示的近鄰分類
        5.2.3 線性重構(gòu)度量近鄰分類
        5.2.4 基于協(xié)作表示的近鄰分類
    5.3 基于稀疏系數(shù)加權(quán)的K-最近鄰分類
        5.3.1 分類思想
        5.3.2 偽代碼
    5.4 基于殘差加權(quán)的K-最近鄰分類
        5.4.1 分類思想
        5.4.2 偽代碼
    5.5 理論及實驗依據(jù)
        5.5.1 理論依據(jù)
        5.5.2 實驗依據(jù)
    5.6 算法復(fù)雜度
    5.7 實驗結(jié)果
        5.7.1 數(shù)據(jù)集
        5.7.2 真實數(shù)據(jù)集實驗結(jié)果
        5.7.3 噪聲數(shù)據(jù)集實驗結(jié)果
        5.7.4 實驗小結(jié)
    5.8 本章小結(jié)
第6章 總結(jié)和展望
致謝
參考文獻
攻讀博士期間的研究成果


【參考文獻】：
期刊論文
[1]粗糙集近似集的KNN文本分類算法研究[J]. 楊帥華,張清華.  小型微型計算機系統(tǒng). 2017(10)
[2]一種融合Kmeans和KNN的網(wǎng)絡(luò)入侵檢測算法[J]. 華輝有,陳啟買,劉海,張陽,袁沛權(quán).  計算機科學(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.  小型微型計算機系統(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分類方法[J]. 王小青.  西南師范大學(xué)學(xué)報(自然科學(xué)版). 2010(02)
[7]簡化的粒子群優(yōu)化快速KNN分類算法[J]. 李歡,焦建民.  計算機工程與應(yīng)用. 2008(32)
[8]散亂數(shù)據(jù)點的k近鄰搜索算法[J]. 劉曉東,劉國榮,王穎,席延軍.  微電子學(xué)與計算機. 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.  計算機應(yīng)用研究. 2006(02)
[10]K-最近鄰分類技術(shù)的改進算法[J]. 王曉曄,王正歐.  電子與信息學(xué)報. 2005(03)

博士論文
[1]模式分類的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算法的空間手勢識別研究與應(yīng)用[D]. 張碩.吉林大學(xué) 2017



本文編號：3042540