基于模糊测度KNN的多维度数据分类算法

• 作者: 刘名武 夏国恩 邓斌 邵培基
• 来源期刊: 系统工程
• 学科: 社会科学
• 关键词: 多维度数据 模糊测度 k近邻 证据理论
• 年，卷（期）: 2010,（3）
• 页码范围: 103-107
• 页数: 5页
• 分类号: C931
• 语种: 中文

摘要

k-近邻(KNN)算法具有直观、无需先验统计知识、无监督学习等优点.多维度数据存在边界模糊性,这导致集合元素隶属关系的不确定,传统KNN算法不能有效地进行分类.本文提出利用模糊测度加强不确定性特征信息的量化,建立基于模糊测度的k近邻分类算法(FM-KNN).先通过构建证据理论(Dempster-Shafer Theory)模糊测度函数,解决证据理论非单调性等问题;再利用证据模糊测度对多维度属性的不确定信息进行量化计算,通过支持信度确定样本分类规则.通过对比实验表明,在多维度样本数据分类方面FM-KNN算法比其他KNN分类算法有着更好的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邵培基		99	1358	19.0	34.0
2	刘名武		9	101	5.0	9.0
3	邓斌		3	12	2.0	3.0
4	夏国恩		2	45	1.0	2.0