基于支持向量机与反K近邻的分类算法研究

• 作者: 王来生 陈丽 陈静 高新涛
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 支持向量机 反K近邻 多特征融合 核函数 分类超平面
• 年，卷（期）: 2010,（24）
• 页码范围: 135-137,188
• 分类号: TP181
• 字数: 4479字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2010.24.041

摘要

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机(SVM)与反K近邻分类算法(RRNN)相结合,提出了基于支持向量机与反K近邻的分类算法(SVM-RKNN);最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法.实验结果表明:SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈静	中国农业大学理学院	68	567	14.0	22.0
2	陈丽	中国农业大学理学院	42	430	11.0	20.0
3	王来生	中国农业大学理学院	49	555	14.0	20.0
4	高新涛	郑州大学数学系	3	33	1.0	3.0