首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于KNN算法的改进研究及其在数据分类中的应用

摘要第5-6页
Abstract第6-7页
第1章 绪论第14-22页
    1.1 研究背景及意义第14-15页
    1.2 国内外研究现状第15-19页
        1.2.1 分类框架第15页
        1.2.2 数据选择第15-16页
        1.2.3 数据归一化第16-17页
        1.2.4 数据估算第17页
        1.2.5 降低纬度方法第17-19页
    1.3 论文的研究内容与目标第19-20页
    1.4 论文组织结构第20-22页
第2章 相关工作第22-28页
    2.1 回归算法第22-24页
        2.1.1 传统统计方法第22页
        2.1.2 广义投射追求回归第22页
        2.1.3 神经网络和支持向量机第22-23页
        2.1.4 决策树第23页
        2.1.5 基于索引的方法第23-24页
        2.1.6 分段或分段回归第24页
    2.2 不平衡数据的学习第24-26页
        2.2.1 决策树第24-25页
        2.2.2 支持向量机第25页
        2.2.3 K最近邻分类算法第25-26页
    2.3 结论第26-28页
第3章 BINER算法: 基于二进制搜索的有效回归第28-36页
    3.1 BINER算法的直觉和方法第28页
    3.2 BINER算法第28-31页
        3.2.1 成分分析第30-31页
    3.3 实验研究第31-34页
        3.3.1 性能模型第31-32页
        3.3.2 结论第32-33页
        3.3.3 讨论第33-34页
    3.4 结论第34-36页
第4章 CLUEKR算法: 高效的基于KNN算法的回归聚类第36-42页
    4.1 CLUEKR算法第36-38页
        4.1.1 预处理第36-37页
        4.1.2 实际算法第37页
        4.1.3 复杂度分析第37-38页
    4.2 实验性研究第38-39页
        4.2.1 模型仿真运算第38-39页
    4.3 CLUEKR算法分类任务第39-41页
        4.3.1 算法第39-40页
        4.3.2 实验性研究第40-41页
    4.4 结论第41-42页
第5章 基于类的加权K最近邻算法第42-60页
    5.1 关于加权因子设计的实验研宄第42-52页
        5.1.1 KNN分类器基于类的加权因子的设计第42-44页
        5.1.2 KNN分类器的改进设计第44-45页
        5.1.3 只考虑查询实例附近区域的设计第45-47页
        5.1.4 模拟仿真第47-48页
        5.1.5 改进KNN算法模拟实施步骤第48-51页
        5.1.6 实验性研究第51-52页
        5.1.7 结论第52页
    5.2 作者提出的算法第52-55页
        5.2.1 权重因子的性质第54-55页
        5.2.2 成分分析第55页
    5.3 实验性研究第55-58页
        5.3.1 性能模型第55-58页
    5.4 结论第58-60页
第6章 基于类的加权KNN算法与CLUEKR算法集成第60-64页
    6.1 研究基础第60页
    6.2 整合步骤第60-62页
    6.3 实验性研究第62-64页
第7章 结论第64-66页
    7.1 成果第64-65页
    7.2 未来的工作第65-66页
参考文献第66-70页
致谢第70-72页
作者简介及读研期间主要科研成果第72页

论文共72页,点击 下载论文
上一篇:基于度量学习的行人再识别算法研究
下一篇:基于深度学习的中文短文本语义相似度计算方法的研究