機(jī)器學(xué)習(xí)是當(dāng)前大數(shù)據(jù)處理中的重要方法和手段,利用機(jī)器學(xué)習(xí)來處理圖像分類是當(dāng)前學(xué)者們研究的熱點。在圖像分類處理技術(shù)方面已經(jīng)催生了許多成熟而有效的機(jī)器學(xué)習(xí)算法,其中K近鄰算法（KNN）簡單、直觀且理論上比較成熟,是最簡易的機(jī)器學(xué)習(xí)方法之一,但也存在處理圖像分類時分類準(zhǔn)確率不夠高、運算效率較低等缺點。本研究旨在提高圖像分類算法的分類準(zhǔn)確率和運算效率,分別提出了三種基于改進(jìn)KNN算法的圖像分類算法。首先提出了一種基于K值選取策略的改進(jìn)KNN算法。在改進(jìn)算法中增加了兩種分類決策規(guī)則,達(dá)到提高分類準(zhǔn)確率的效果。其次提出了一種基于K均值聚類模型的KNN算法。在分類處理前對訓(xùn)練樣本進(jìn)行優(yōu)化處理,然后通過K均值聚類方法把樣本聚為不同的子類,每一個子類以聚類中心為新樣本點構(gòu)建新數(shù)據(jù)集,達(dá)到壓縮樣本量的效果,從而減少了運算量提高了運算效率。最后提出了一種基于并行計算模式的改進(jìn)KNN算法。該算法構(gòu)建并行計算模式,讓整個分類算法分布式并行進(jìn)行,在保持或提高分類準(zhǔn)確率的情況下大幅度提高了運算速度。 

【文章來源】：貴州民族大學(xué)貴州省

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【部分圖文】：

pd距離間關(guān)系圖

貴州民族大學(xué)2020屆碩士研究生學(xué)位論文29續(xù)圖4.2基于K均值聚類的改進(jìn)KNN算法流程圖（新訓(xùn)練數(shù)據(jù)分類）2．改進(jìn)算法原理步驟：（1）收集、準(zhǔn)備數(shù)據(jù)，提取特征；（2）將數(shù)據(jù)集中大部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，并構(gòu)建訓(xùn)練樣本集合X，nixXR，其中nR為n維空間，ix為第i個樣本，i=1,2,,N，余下少部分?jǐn)?shù)據(jù)作為測試樣本，用于驗證訓(xùn)練好的模型；（3）統(tǒng)計訓(xùn)練數(shù)據(jù)集中樣本類別c的數(shù)量及每類樣本個數(shù)m，記為12{,,,}kc=ccc，12{,,,}km=mmm，共k類；（4）計算每類樣本中心u,11jmljjluxm==,其中jm為第j類的樣本個數(shù)，lx表示屬于ju（即jc）這個類別的樣本點。所有類的中心點記為12{,,,}ku=uuu；（5）遍歷每類里所有樣本,計算每類所有樣本到其樣本中心的距離，(,)llljjjd=dux=ux，其中l(wèi)jd表示jc類中第l個樣本lx與中心點ju的距離，在每類中刪除少部份與該類中心點距離大的該類里的樣本；（6）從1~k中遍歷每類所有樣本，對每類通過k均值聚類方法聚成n類（n值大小根據(jù)訓(xùn)練集本樣數(shù)量及分類效果確定和調(diào)整），即得到每大類的樣本子類，記為{1,2,,n}jjjjc=ccc，即2jc表示第jc大類的第2子類；差優(yōu)設(shè)定K的初始值計算K個鄰居確定樣本點類別判斷分類效果最終分類結(jié)果修改K值

貴州民族大學(xué)2020屆碩士研究生學(xué)位論文34圖5.1傳統(tǒng)KNN算法架構(gòu)圖5.2并行KNN算法架構(gòu)圖5.1為傳統(tǒng)的KNN算法架構(gòu)，所有分類過程都在同一臺計算機(jī)上的單程序單線程中完成，圖5.2為改進(jìn)后的并行算法架構(gòu)，需先準(zhǔn)備n臺計算機(jī)，把數(shù)據(jù)集樣本平均分成n份，即12,X,nijX=XXXX=ij，并每一臺計算機(jī)送一份，每臺計算機(jī)同時計算出K個鄰居樣本后把計算結(jié)果送回主機(jī)，主機(jī)將收到的n*K個近鄰選出K個最近鄰，在K個近鄰中判定最多的類別為新數(shù)據(jù)類別。新數(shù)據(jù)全體訓(xùn)練集合X計算機(jī)AK個最近鄰新數(shù)據(jù)K個最近鄰計算機(jī)B訓(xùn)練集X1計算機(jī)B1訓(xùn)練集X2計算機(jī)B2計算機(jī)Bn訓(xùn)練集Xn

【參考文獻(xiàn)】：
期刊論文
[1]一種基于特征聚類分析的商品評論系統(tǒng)設(shè)計[J]. 尹積棟,劉紅,謝茶花,張慧,曾炎.  信息技術(shù)與信息化. 2019(10)
[2]基于非負(fù)矩陣分解算法的人臉識別方法[J]. 彭夢冉.  長春工程學(xué)院學(xué)報(自然科學(xué)版). 2019(03)
[3]基于改進(jìn)K-modes聚類的KNN分類算法[J]. 王志華,劉紹廷,羅齊.  計算機(jī)工程與設(shè)計. 2019(08)
[4]基于聚類的環(huán)形kNN算法[J]. 匡振曦,武繼剛,李嘉興.  計算機(jī)工程與科學(xué). 2019(05)
[5]基于KNN算法的學(xué)生貸款風(fēng)險模型[J]. 范睿智.  電子測試. 2019(Z1)
[6]K近鄰分類指導(dǎo)的區(qū)域迭代圖割算法研究[J]. 管建,王亞娟,王立功.  計算機(jī)應(yīng)用與軟件. 2018(11)
[7]結(jié)合文本信息量和聚類的文本裁剪算法[J]. 謝攀,鄧珍榮,朱益立.  計算機(jī)工程與設(shè)計. 2018(03)
[8]基于模糊C-Means的改進(jìn)型KNN分類算法[J]. 朱付保,謝利杰,湯萌萌,朱顥東.  華中師范大學(xué)學(xué)報(自然科學(xué)版). 2017(06)
[9]K最近鄰算法理論與應(yīng)用綜述[J]. 毋雪雁,王水花,張煜東.  計算機(jī)工程與應(yīng)用. 2017(21)
[10]一種基于樣本有效性和KNN分類標(biāo)記的采樣傳播型摳圖方法[J]. 陳曉,何發(fā)智,章生冬.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2016(12)

碩士論文
[1]基于優(yōu)化分割與提取的西夏古籍文字識別研究[D]. 李小璐.寧夏大學(xué) 2019
[2]基于K近鄰的分類算法研究[D]. 桑應(yīng)賓.重慶大學(xué) 2009



本文編號：3257276