基于可拓距离的K近邻算法

距离机制是K近邻算法的关键部分,传统的方法是采用欧式距离来讨论各个属性取值的差异,而对于同一属性取值的差异就显得很简单.采用可拓学来定量描述事物属性的关联函数的性质,构造可拓距离应用到K近邻算法中,设计出可拓K近邻算法.为了验证算法的可行性和准确率,分别应用到二维数据的故障诊断和标准数据集的聚类分析中,实验证明该算法是可行和有效的.

可拓距离空间的一点补充

文［１］给出了可拓距离空间的定义及有关性质。本文在此基础上给出了一些相关的定义并得到一些相关的性质。

可拓距离空间

本文利用可拓测度空间的理论给出了可拓距离空间的概念,并得到一些性质。

可拓局部紧致距离空间的某些性质

文[1],[2]给出了可拓距离空间及可拓紧致距离空间的概念,并由此给出了一些相应的性质,本文在此基础上,进一步给出了可拓局部紧致距离空间的概念及一些性质。

可拓神经网络研究综述

介绍了近年来可拓神经网络的发展,对可拓神经网络的基本思想、算法思路、应用研究进行了系统分析,并提出和分析了有待进一步研究的方向和问题。

可拓K近邻算法在数据聚类分析中的应用

针对区间值数据的数据聚类问题,根据可拓学关联函数的定义,提出可拓距离的概念来度量数据之间的距离,利用K近邻的思想,根据可拓距离的大小对数据集的目标属性进行投票选择进行分类,设计了可拓K近邻算法(Extension K Nearest Neighbor,EKNN)。最后利用UCI的两个基准数据集Iris植物样本数据和糖尿病数据库PIDD进行验证,首先通过免疫网络约简算法对条件属性进行最小属性约简,然后利用EKNN算法分析和比较不同最小约简属性下的分类准确率。