一种基于近邻搜索的快速k-近邻分类算法

针对传统快速k 近邻分类算法的缺陷 ,提出了一种基于近邻搜索的快速k 近邻分类算法———超球搜索法。该方法通过对特征空间的预组织 ,使分类在以待分样本为中心的超球内进行 ,有效地缩小了搜索范围。实验结果表明 ,在相同识别率和k值的情况下 ,超球搜索法的识别速度优于基本k 近邻法和传统快速k 近邻算法———及时终止法 。

直方图在图像分类快速算法中的应用研究

图像分类中提高分类的运算速度是图像处理的一个重要因素 ,提高运算速度成为研究的一个重要方面。 K均值算法、模糊 C均值聚类、自组织映射神经网络分类法等 ,均是针对图像像素进行分类的方法 ,这是运用这些方法分类运算速度慢的根本原因 ,将直方图思想作为一个重要因素 ,把图像处理的对象从图像的每个像素转移到每个存在的灰度级 ,处理灰度级对象的运算量将为原算法的 K / ( M× N ) ,由于所占内存量相应变小 ,运算速度进一步提高 。

一种快速的判别公共向量分类方法

在传统DCV的基础上,提出了一种改进的快速DCV分类方法。该方法与传统的DCV分类方法相比,在保证识别率相同的情况下具有较快的分类速率。传统的DCV分类方法通过计算特征向量之间的距离来进行分类,而所提快速DCV分类方法则通过标量计算完成分类。理论分析及复杂度计算表明,快速DCV分类方法的分类速率是传统DCV分类方法的2倍左右,在Yale、ORL和PIE 3种人脸数据库得到的对比仿真实验结果验证了该算法的有效性。

一种面向大类别集的快速分类方法

针对大类别集分类问题提出了一种新的快速分类方法.引入了基于分组的候选规则,通过冗余分组,将大类别集分成若干独立的子集.组的数量和类别数都是有限的,因此可以充分利用各种信息,单独为每个组设计优化的分类器.以手写汉字识别为例,利用多级学习矢量量化来分别训练全局分类器、组中心以及每个组的细分类器.提供了危险区域的判据,并且结合其他的候选规则来提高边缘样本的识别率.

利用最近邻信息快速分类多标签数据

为克服ML-KNN在分类效率方面的局限性,提出了一种基于KNN的快速多标签数据分类算法FKMC,利用待分类实例的k个最近邻的局部信息进行排序分类。从已分类数据实例集中选择待分类数据实例的k个最近邻;根据每个最近邻拥有的标签数和每个标签归属的最近邻数对待分类实例进行排序分类。仿真结果表明,最近邻的选择方法对分类器性能有显著的影响;在分类效果上FKMC与ML-KNN相当,有时甚至优于后者;而在分类效率上FKMC则显著优于ML-KNN。

线性递归分布方程(英文)

在各种应用概率背景下的一些问题———从算法的概率分析到统计物理,包括快速分类算法、自相似瀑布、无穷粒子系统和分支随机游动,常常引导我们研究线性递归分布方程Z=∑Ni=1AjZj的稳定分布解,其中“=”表示依分布相等,N和Zi是给定的实值随机变量,Zi之间相互独立且与{N,A1,A2,…}独立,Z和所有的Zi都是取值于R的未知的随机变量,且有共同的分布.对该方程的最基本的问题,如存在性、唯一性、非平凡解的渐进性质以及相关的光滑变换的迭代收敛性,给出了简要的概述.