基于样本密度和分类误差率的增量学习矢量量化算法研究

• 作者: 李娟 王宇平
• 来源期刊: 自动化学报
• 关键词: 学习矢量量化 增量学习 分类误差率 样本密度 合并 分裂
• 年，卷（期）: 2015,（6）
• 页码范围: 1187-1200
• 页数: 14页
• 字数: 11166字
• 语种: 中文
• DOI: 10.16383/j.aas.2015.c140311

摘要

作为一种简单而成熟的分类方法, K 最近邻(K nearest neighbor, KNN)算法在数据挖掘、模式识别等领域获得了广泛的应用,但仍存在计算量大、高空间消耗、运行时间长等问题。针对这些问题,本文在增量学习型矢量量化(Incremental learning vector quantization, ILVQ)的单层竞争学习基础上,融合样本密度和分类误差率的邻域思想,提出了一种新的增量学习型矢量量化方法,通过竞争学习策略对代表点邻域实现自适应增删、合并、分裂等操作,快速获取原始数据集的原型集,进而在保障分类精度基础上,达到对大规模数据的高压缩效应。此外,对传统近邻分类算法进行了改进,将原型近邻集的样本密度和分类误差率纳入到近邻判决准则中。所提出算法通过单遍扫描学习训练集可快速生成有效的代表原型集,具有较好的通用性。实验结果表明,该方法同其他算法相比较,不仅可以保持甚至提高分类的准确性和压缩比,且具有快速分类的优势。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王宇平	西安电子科技大学计算机学院	128	1633	22.0	34.0
2	李娟	西安电子科技大学计算机学院	68	221	9.0	11.0