Kernel-kNN:基于信息能度量的核k-最近邻算法

摘要：

提出一种核k最近邻算法.首先给出用于最近邻学习的信息能度量方法,该方法克服了高维数据不便于用传统距离度量表示的困难,提高了数据间类别相似性和距离的一致性.在此基础上,将传统的kNN扩展为非线性形式,并采用半正定规划学习全局最优的度量矩阵.算法主要特点是:能较好地适用于高维数据,并有效提升kNN的分类性能.多个数据集的实验和分析表明,本文的Kernel-kNN算法与传统的kNN算法比较,在低维数据上,分类准确率相当;在高维数据上,分类性能有明显提高.

关键词：距离度量、非线性变换、k-最近邻(k-NN)、核方法

所属期刊栏目：36

分类号：TP3(计算技术、计算机技术)

资助基金：国家自然科学基金重点项目60933009;国家自然科学基金61070137;60702063

在线出版日期：2011-03-25（万方平台首次上网日期，不代表论文的发表时间）

页码：1681-1688