改进的LMS-KNN近邻分类方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本论文的研究内容 | 第14-15页 |
| 1.4 本论文的组织结构 | 第15-17页 |
| 第二章 LMS-KNN算法分析及参数优化 | 第17-30页 |
| 2.1 模式分类过程 | 第17-19页 |
| 2.1.1 模式识别系统的构成 | 第17-18页 |
| 2.1.2 模式分类中的特征提取与选择 | 第18-19页 |
| 2.2 局部均值与类均值近邻分类 | 第19-27页 |
| 2.2.1 K近邻分类算法 | 第20-21页 |
| 2.2.2 基于类均值的分类算法 | 第21-24页 |
| 2.2.3 基于局部均值的近邻分类 | 第24-25页 |
| 2.2.4 局部均值与类均值的近邻分类 | 第25-27页 |
| 2.3 优化算法的选择 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 不平衡数据集的优化设计 | 第30-41页 |
| 3.1 引言 | 第30页 |
| 3.2 不平衡数据集 | 第30-33页 |
| 3.2.1 不平衡小样本数据集 | 第31-32页 |
| 3.2.2 类内与类间不平衡数据集 | 第32-33页 |
| 3.3 不平衡数据集的预处理 | 第33-38页 |
| 3.3.1 数据集描述 | 第33页 |
| 3.3.2 相似性判断 | 第33-36页 |
| 3.3.3 迭代最近邻过采样处理 | 第36-38页 |
| 3.4 实验设计及结果分析 | 第38-40页 |
| 3.4.1 实验数据集选取 | 第38页 |
| 3.4.2 不同算法的对比实验 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于步长改进的LMS-KNN分类算法 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 类均值的加权系数公式确定 | 第42-43页 |
| 4.3 步长优化技术的统一迭代法 | 第43-47页 |
| 4.3.1 交叉验证误差模型化 | 第43-44页 |
| 4.3.2 步长优化技术的统一迭代法 | 第44-47页 |
| 4.4 实验仿真结果分析 | 第47-51页 |
| 4.4.1 实验方法的选择 | 第47-48页 |
| 4.4.2 实验数据集 | 第48-49页 |
| 4.4.3 实验结果 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 基于遗传算法的LMS-KNN分类算法 | 第53-67页 |
| 5.1 引言 | 第53页 |
| 5.2 遗传算法的实现过程 | 第53-56页 |
| 5.2.1 基本遗传算法的数学模型 | 第55页 |
| 5.2.2 基本遗传算法的步骤 | 第55-56页 |
| 5.2.3 遗传算法的收敛性 | 第56页 |
| 5.3 结合混合遗传算法的LMS-KNN近邻分类 | 第56-61页 |
| 5.3.1 编码 | 第56-58页 |
| 5.3.2 初始种群 | 第58页 |
| 5.3.3 适应度函数 | 第58-59页 |
| 5.3.4 选择算子 | 第59-60页 |
| 5.3.5 交叉算子和变异算子 | 第60-61页 |
| 5.4 实验设计及仿真结果分析 | 第61-66页 |
| 5.4.1 遗传算法工具箱函数 | 第61-62页 |
| 5.4.2 实验所用数据集 | 第62-63页 |
| 5.4.3 实验仿真结果 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士期间取得的研究成果 | 第73-74页 |
