文献类型：期刊文章

作　　者：余鹰[1,2] 苗夺谦[1] 刘财辉[1] 王磊[1]

机构地区：[1]同济大学计算机科学与技术系,上海201804 [2]江西农业大学软件学院,南昌330045

出　　处：《模式识别与人工智能》

基　　金：国家自然科学基金资助项目(No.60970061;61075056;61103067)

年　　份：2012

卷　　号：25

期　　号：4

起止页码：617-623

语　　种：中文

收录情况：BDHX、BDHX2011、CSCD、CSCD2011_2012、EI(收录号：20124215582589)、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：传统KNN算法具有简单、稳定和高效的特点,在实际领域得到广泛应用.但算法的时间复杂度与样本规模成正比,大规模或高维数据会降低KNN分类效率.文中通过引入变精度粗糙集模型,提出一种改进的KNN分类算法.算法运用变精度粗糙集上下近似概念,将各类训练样本划分为核心和边界区域,分类过程计算新样本与各类的近似程度,获取新样本的归属区域,减小分类代价,增强算法的鲁棒性.实验表明,与传统KNN算法相比,文中算法保持较高的分类精度并有效提高分类效率,具有一定的理论与实际价值.

关 键 词：K最近邻(KNN)  变精度粗糙集 上下近似  

分 类 号：TP311.13]