声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：陈玉明,李伟,
关键词：KNN分类器, 粒计算, 粒向量, 粒距离, 粒分类器,
K近邻(Knearestneighbor,KNN)分类器是一种经典的分类器，它简单而又有效，已经在人工智能与机器学习领域得到了广泛的应用.针对传统分类器难以处理不确定性数据的问题，研究样本单特征邻域粒化技术，构造粒的向量形式，提出一种基于粒向量的K近邻分类方法.该方法引入邻域粗糙集模型，对分类系统中的样本进行单特征邻域粒化，形成特征邻域粒子.并由多个特征邻域粒子构成一个粒向量，定义了多种粒向量运算算子，提出了2种粒向量距离：相对粒距离与绝对粒距离，证明了粒向量距离的单调性原理.进一步，基于粒向量距离定义了K近邻粒向量概念，提出了K近邻粒分类器.最后，结合UCI数据集，采用K近邻粒分类器与经典K近邻分类器进行比较测试.理论分析和实验表明:针对合适的粒化参数与k值，K近邻粒分类器具有较好的分类性能.
来源：2019年第12期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。