基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
研究了基于ELM特征映射的kNN算法,利用ELM特征映射,将原始数据映射到这种高维特征空间当中,使得数据间变得更加线性可分,即数据结构会变得简单,因此,在利用kNN算法进行分类时,利用ELM特征空间中对应的特征数据代替原始空间中的数据进行分类将会取得更好的分类效果.最后,来自MNIST和UCI中的几个数据集的仿真实验进一步验证了该算法的优良性能.
推荐文章
基于PSO-ELM特征映射的KNN分类算法
K近邻分类算法
极端学习机
特征映射
粒子群算法
混合算法
线性不可分
基于PSO-ELM特征映射的KNN分类算法
K近邻分类算法
极端学习机
特征映射
粒子群算法
混合算法
线性不可分
基于密度特征与KNN算法的最优特征维数选择
复杂仪表
特征维数
误识率
KNN算法
密度特征
最优特征
基于增强随机搜索的OECI-ELM算法
ELM算法
增强随机搜索
全局逼近
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于ELM特征映射的kNN算法
来源期刊 复旦学报(自然科学版) 学科 工学
关键词 超限学习机 k最近邻算法 特征空间 分类
年,卷(期) 2016,(5) 所属期刊栏目 数学
研究方向 页码范围 570-575
页数 分类号 TP181|TP311
字数 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 林银河 丽水学院工学院 19 44 4.0 5.0
2 卢诚波 丽水学院工学院 25 78 4.0 7.0
3 梅颖 丽水学院工学院 17 34 4.0 4.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (8)
节点文献
引证文献  (4)
同被引文献  (4)
二级引证文献  (12)
1967(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(2)
  • 参考文献(2)
  • 二级参考文献(0)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(2)
  • 参考文献(2)
  • 二级参考文献(0)
2014(2)
  • 参考文献(2)
  • 二级参考文献(0)
2016(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2018(1)
  • 引证文献(1)
  • 二级引证文献(0)
2019(11)
  • 引证文献(3)
  • 二级引证文献(8)
2020(4)
  • 引证文献(0)
  • 二级引证文献(4)
研究主题发展历程
节点文献
超限学习机
k最近邻算法
特征空间
分类
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
复旦学报(自然科学版)
双月刊
0427-7104
31-1330/N
16开
上海市邯郸路220号
4-193
1955
chi
出版文献量(篇)
2978
总下载数(次)
5
总被引数(次)
22578
论文1v1指导