一种动态的加权knn方法 - 中国图象图形学报.docVIP

中图法分类号：TP391.41 　文献标识码：A 文章编号：1006-8961() 论文引用格式：陈日新 朱明旱。半监督近邻分类方法[J].中国图象图形学报，个最近邻测试样本的贡献，从而提高了分类的正确性。在Cohn-Kanade人脸库上，序列图像的识别率提高了5.95%，在CMU-AMP人脸库上，非序列图像的识别率提高了7.98%。实验表明，该方法执行效率高，分类效果好。 关键词：加权KNN；贝叶斯理论；半监督KNN；流形 Semi-supervised k-nearest neighbor classification method Chen Rixing, Zhu Minghan (College of Communication and Electric Engineering , Hunan University of Arts and Science, Changde 415000）Abstract: The category information of the k-nearest neighbor labeled samples is utilized, but the contribution of test samples is omitted in weighted k-nearest neighbor method. So, misclassification often happens. Aimed at the defection, a Semi-supervised k-nearest neighbor method is proposed in this paper. The method can classify sequential samples and non-sequential samples better than k-nearest neighbor. In the decision process of classification, the information of c-nearest neighbor samples in the test set is used. So, classification accuracy is improved. The recognition accuracy of the method is 5.95% higher for sequential images in Cohn-Kanade face database, and 7.89% higher for non-sequential images in Cohn-Kanade face database than it of weighted k-nearest neighbor method. The experiment shows that the method performs fast and has high classification accuracy. Key words: weighted k-nearest neighbor; Bayesian theory; semi-supervised k-nearest neighbor;manifold 0 引言 KNN（k-Nearest Neighbor）分类方法是一种非参数分类方法，不需要估计参数，因此在分类、回归和模式识别等领域中都有应用[1-2]。KNN是最近邻方法的推广[3]，它的思想比较简便，执行样本分类时，将测试样本归为与它最接近的个近邻训练样本中，出现最多的那个类别。该方法在执行样本分类时，赋予了这个近邻样本平等的贡献，为了得到可靠的分类结果，常需要根据实际分类问题，选取不同的值 [4]。 对此一些学者展开了选取最优值，以及降低识别率对值敏感性的研究。Gora等人提出了自动选取最优值的KNN方法[5]。Hechenbichler等人提出了加权KNN法[6]，该方法根据各近邻样本到测试样本距离（或其它相似度）的大小，赋予这个近邻样本不同的权值。距离越小权值越大。这样近邻样本与测试样本的相似程度，就能通过权值的大小来体现。既使值很大，对测试样本分类起决定作用的，仍是与它相距较近的那些样本。该方法的分类准确率，对值的选取不再敏感。王等人提出了一种广义的最近邻分类方法[7]。他们从每类中选出与测试样本最接近的个样本，并求出待测样本属于每类样本的权值，最后根据权值作分类判决。该方法的分类正确率随值的变化波动更小，鲁棒性更强。 还有些学者则对KNN方法中，样本距离（或其它相似度）的测量问题进行了研究。陈等人提出了基于SVM的特征加权KNN近邻规则中，相似度的确定