基于K近邻集成算法的分类挖掘研究

论文摘要

随着数据库和互联网技术的迅猛发展,数据挖掘技术得到了进一步的发展和广泛关注。分类数据挖掘作为数据挖掘中一个重要的研究内容,已经被广泛应用于模式识别、人工智能和知识工程等领域。所以,对它进行深入研究不仅有着重要的理论意义,而且在现实中有着重要的应用价值。本文主要包含了以下几个方面的内容：1.概述了数据挖掘中的分类技术,深入分析了分类挖掘的主要算法,重点介绍了k近邻分类算法的原理及发展现状。2.提出了基于模拟退火算法的组合k近邻分类器,通过引入模拟退火技术实现随机特征子集的选择,然后利用投票法决定组合分类器最终的输出。仿真实验证明该方法的分类性能优于传统k近邻方法的分类性能。3.针对模拟退火算法的搜索过程是随机的,经典模拟退火算法的停止准则不能确保解的质量这一问题,引入了改进的模拟退火算法。在此基础上,进一步提出了基于改进模拟退火的组合k近邻分类算法。仿真实验表明,基于改进模拟退火的组合k近邻分类算法较基于模拟退火的组合k近邻分类算法有更好的分类性能。4.针对传统k近邻分类算法在高维数据空间分类速度较慢的问题,提出了基于模糊粗糙集的快速k近邻分类算法,考虑由于类的重叠和属性不足导致的模糊和粗糙不确定性,同时引入p-tree数据结构来改进传统k近邻分类算法。与传统k近邻分类算法和模糊粗糙k近邻分类算法相比,该方法不仅可以改善分类性能,而且可以提高分类器的速度。仿真实验证明了该方法的有效性和可行性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景
• 1.2 研究现状
• 1.3 本文主要工作
• 1.4 论文组织结构
• 第二章 分类挖掘与k近邻算法概述
• 2.1 分类挖掘的定义
• 2.2 分类挖掘的主要方法
• 2.3 k近邻算法概述
• 2.4 k近邻算法研究现状
• 2.5 本章小结
• 第三章 基于模拟退火的组合k近邻分类算法
• 3.1 组合分类器理论
• 3.2 模拟退火算法
• 3.3 基于模拟退火的组合k近邻分类算法及仿真实验
• 3.3.1 基于模拟退火的组合k近邻分类算法
• 3.3.2 实验环境和实验数据简介
• 3.3.3 仿真实验
• 3.4 本章小结
• 第四章 基于改进的模拟退火的组合k近邻分类算法
• 4.1 模拟退火算法的缺陷及相关参数
• 4.2 基于改进模拟退火的特征选择算法
• 4.3 基于改进的模拟退火的组合k近邻分类器及仿真实验
• 4.3.1 模拟退火的组合k近邻分类算法的改进算法
• 4.3.2 仿真试验
• 4.4 本章小结
• 第五章 基于模糊粗糙集的快速k近邻分类算法
• 5.1 基本理论
• 5.1.1 模糊集理论概述
• 5.1.2 粗糙集理论概述
• 5.2 模糊粗糙集理论
• 5.3 P-tree数据结构
• 5.4 基于模糊粗糙集的快速k近邻分类算法及仿真
• 5.4.1 基于模糊粗糙集的快速k近邻分类算法—FFRNN算法
• 5.4.2 仿真实验
• 5.5 本章小结
• 总结和展望
• 参考文献
• 攻读硕士学位期间的研究成果及参加的科研项目
• 致谢