面向特征数据范围的泛化LVQ算法

欧氏距离度量向量相似性时忽视向量各特征取值范围的差异性,从而影响学习向量量化(LVQ)算法及其变种的分类精确度.针对此问题,文中提出一种面向特征取值范围的向量相似性度量函数,并基于该度量函数与泛化学习向量量化算法得出一种面向特征数据范围的泛化学习向量量化算法(GLVQ-Range).使用UCI机器学习库中8组数据对比GLVQ-Range和传统其它LVQ变种算法,验证文中算法的分类准确性更高和运算速度更快.使用视频车型分类数据,验证GLVQ-Range在真实生产环境中的可用性.

一种加权学习矢量量化算法

针对传统学习矢量量化算法没有考虑属性的重要度差异的问题,提出一种加权学习矢量量化算法.该算法为每一维属性引入一个权重系数,用其表征相应属性在分类过程中的重要程度,并与权向量一同更新.利用输入样本和获胜神经元之间的修正距离的均值,控制权重系数更新的阈值及步长.距离均值确保了更新过程的稳定性,且无需进行权重系数的归一化操作.UCI机器学习数据库中6组数据的实验结果表明,该算法能够有效给出数据的本质属性,尤其是局部型权重系数.与传统学习矢量量化算法及其改进算法相比,识别率高、性能稳定、计算复杂度低.