基于类标感知的KNN分类算法

许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的结果表明,CA-KNN具有较好的分类性能.

基于k-最小表示误差类的表示分类方法

基于表示的分类(representation-based classification,RC)通常使用所有类的训练样本来表示测试样本。然而,是否需要使用全部类来表示测试样本仍有待研究。为此,提出一种两阶段表示分类框架。首先使用RC算法计算测试样本相对于全部类的训练样本的表示系数,找出前k(k≥1)个具有最小表示误差的类;然后利用该k个类的训练样本,再次应用RC算法对测试样本进行表示,并通过从这k个类中找出最小表示误差类来确定测试样本的类别。此外,提出了一种非负加权协同表示分类算法。所提分类框架中的前后两个RC算法可以相同也可以不同。取前后两个RC相同,对五种RC,在五个数据库上进行实验,实验结果表明,所提两阶段表示分类框架大多数情况下能显著提升原RC算法的分类精度。