文献类型：期刊文章

作　　者：张万桢[1] 刘同来[2,3] 邬满[4] 匡振曦[3]

ZHANG Wanzhen;LIU Tonglai;WU Man;KUANG Zhenxi(Department of Practice Teaching,Guilin University of Aerospace Technology,Guilin,Guangxi 541004,China;Guangxi Key Laboratory of Cryptography and Information Security,Guilin,Guangxi 541004,China;School of Computers,Guangdong University of Technology,Guangzhou 510006,China;Key Laboratory of Environment Change and Resources Use in Beibu Gulf,Nanning Normal University,Nanning 530001,China)

机构地区：[1]桂林航天工业学院实践教学部,广西桂林541004 [2]广西密码学与信息安全重点实验室,广西桂林541004 [3]广东工业大学计算机学院,广州510006 [4]南宁师范大学北部湾环境演变与资源利用教育部重点实验室,南宁530001

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金（No.61763007,No.61866007）;广西自然科学基金（No.2018GXNSFAA138082）;广西高校图像图形智能处理重点实验室项目（No.GIIP201706）;广西密码学与信息安全重点实验室项目（No.GCIS201816）;广西科技重大专项（No.桂科AA18118025）

年　　份：2019

卷　　号：55

期　　号：23

起止页码：45-52

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统KNN算法K值固定问题,提出基于环形过滤器的K值自适应KNN算法(K-value Adaptive KNN Algorithm Based on Annular Filter,AAKNN),其核心思想是利用稀疏向量能够较好地表达数据之间的相似度信息来动态选择每个测试点的K个最近邻点,从而提高算法的准确率。该算法不仅能够根据不同测试点的实际情况来选择不同的K值,而且利用环形过滤器避免了内存占用过大的问题。最后通过6组公开数据集对所提出的AAKNN算法进行了实验验证。实验结果表明,AAKNN与CM-KNN算法相比较于其余四种算法在准确率上平均提高2%,其中AAKNN算法相比较CM-KNN算法可以平均减少79%的内存消耗。

关 键 词：环形过滤器  聚类 分类  三角不等式 稀疏向量  

分 类 号：TP312]