基于GEP的kNN算法改进研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 kNN算法研究现状 | 第10页 |
| 1.2.2 参数优化研究现状 | 第10-11页 |
| 1.2.3 特征选择研究现状 | 第11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 1.4 本文的内容安排 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 kNN算法概述 | 第13-23页 |
| 2.1 kNN算法原理 | 第13-21页 |
| 2.1.1 kNN分类算法 | 第13-15页 |
| 2.1.2 距离度量 | 第15-16页 |
| 2.1.3 数据规范化 | 第16-18页 |
| 2.1.4 分类规则 | 第18页 |
| 2.1.5 距离倒数加权 | 第18-19页 |
| 2.1.6 kNN回归算法 | 第19-21页 |
| 2.2 kNN算法分析 | 第21-22页 |
| 2.2.1 kNN算法的优缺点 | 第21-22页 |
| 2.2.2 常见的kNN算法的改进方法 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 一种kNN算法改进及其应用研究 | 第23-34页 |
| 3.1 RBQENN算法 | 第23-26页 |
| 3.1.2 QENN算法简介 | 第23-24页 |
| 3.1.3 RBQENN算法 | 第24-26页 |
| 3.2 实验 | 第26-33页 |
| 3.2.1 不平衡数据分类实验设计 | 第26-28页 |
| 3.2.2 不平衡数据分类实验结果与分析 | 第28-30页 |
| 3.2.3 回归实验设计 | 第30-31页 |
| 3.2.4 回归实验结果与分析 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于GEP的RBQENN算法改进 | 第34-50页 |
| 4.1 GEP概述 | 第34-39页 |
| 4.1.1 GEP的实体结构 | 第34-37页 |
| 4.1.2 GEP算法流程 | 第37-39页 |
| 4.2 基于GEP的RBQENN算法参数优化 | 第39-44页 |
| 4.2.1 常用参数优化方法 | 第39页 |
| 4.2.2 GEP优化RBQENN参数的方案 | 第39-41页 |
| 4.2.3 参数优化实验 | 第41-44页 |
| 4.3 基于GEP的特征选择 | 第44-49页 |
| 4.3.1 特征选择概述 | 第44-46页 |
| 4.3.2 基于GEP的特征选择方法 | 第46-47页 |
| 4.3.3 特征选择实验 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 研究总结 | 第50页 |
| 5.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 附录A 本文作者攻读硕士学位期间所发表的论文 | 第56页 |
| 附录B 本文作者攻读硕士学位期间参加的科研项目 | 第56-57页 |
| 致谢 | 第57-58页 |
