版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、隨著計(jì)算機(jī)技術(shù)和信息技術(shù)發(fā)展,使得圖像識別系統(tǒng)的開發(fā)成為可能。開發(fā)識別系統(tǒng)要解決的核心問題之一就是分類方法。識別分類方法主要包括:遺傳算法、神經(jīng)網(wǎng)絡(luò)、最大熵、支持向量機(jī)和K-近鄰方法等。K-近鄰方法相比其它識別分類方法有著原理簡單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。因此,對K-近鄰方法研究具有重要的理論與實(shí)踐意義。
本文在分析K-近鄰方法不足的基礎(chǔ)上,主要圍繞K-近鄰方法及其改進(jìn)開展一系列研究。具體工作如下:首先,針對 K-近鄰方法在分類時易受
2、到離群點(diǎn)影響的不足,提出了一種新的方法,即基于局部均值與類均值的質(zhì)心近鄰分類算法(CNNCM),該方法利用有效的質(zhì)心近鄰選取原則(NCN),從每類訓(xùn)練樣本集中選擇測試樣本點(diǎn)的K個近鄰點(diǎn),同時充分利用K個近鄰點(diǎn)的局部均值和類均值來判斷測試樣本點(diǎn)的類別歸屬。CNNCM不僅具有基于局部均值的非參數(shù)分類方法(LM)對離群點(diǎn)問題的穩(wěn)健性和NCN原則對近鄰選擇的有效性,而且還充分地利用類均值對分類的作用。為了驗(yàn)證本文提出的算法在分類問題中的優(yōu)越性,
3、以分類精度作為評價標(biāo)準(zhǔn),在5組真實(shí)UCI數(shù)據(jù)集上進(jìn)行了CNNCM與KNN、KNCN和LM算法的對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,CNNCM的分類性能明顯優(yōu)于其它方法。
其次,針對K-近鄰分類方法在分類時給不同的近鄰樣本賦予相同的分類貢獻(xiàn)率和易受到離群點(diǎn)影響的不足,本文提出基于局部權(quán)重的K-近質(zhì)心近鄰方法(LWKNCN)。LWKNCN利用NCN原則從每類選擇K個近質(zhì)心,并根據(jù)質(zhì)心點(diǎn)距離的遠(yuǎn)近給不同的質(zhì)心點(diǎn)賦予不同的權(quán)重。在6組真實(shí)的UCI
4、數(shù)據(jù)集和人造數(shù)據(jù)集上進(jìn)行大量的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,與KNN和KNCN算法相比,本文提出的算法在分類時更加有效可靠,在分類性能上明顯優(yōu)于KNN和KNCN算法。
最后,本文運(yùn)用CNNCM和LWKNCN對棉花和雜草圖像進(jìn)行分類。具體步驟如下,第一,利用加權(quán)平均值法和中值濾波法對圖像灰度化和濾除噪聲處理;第二,采用最大類間方差法對圖像進(jìn)行分割;第三,選取5種邊緣檢測算子對圖像進(jìn)行檢測;第四,提取10個特征,主要包括: S分量的1階矩、
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- K-近鄰分類的改進(jìn)算法研究.pdf
- 改進(jìn)的K-近鄰模式分類.pdf
- 改進(jìn)的K近鄰算法在網(wǎng)頁文本分類中的應(yīng)用.pdf
- 模式分類的K-近鄰方法.pdf
- 改進(jìn)的LMS-KNN近鄰分類方法研究.pdf
- K-近鄰、K-均值及其在文本分類中的應(yīng)用.pdf
- 基于K近鄰的分類算法研究.pdf
- K-近鄰中文文本分類方法的研究.pdf
- 面向文本分類的k近鄰查詢方法研究.pdf
- 基于k近鄰分類匹配的虹膜識別方法及實(shí)現(xiàn).pdf
- 加權(quán)K-近鄰研究及其在文本分類中的應(yīng)用.pdf
- 改進(jìn)的近鄰傳播算法及其在圖像處理中的應(yīng)用.pdf
- 面向文本分類的k近鄰查詢方法研究
- 面向文本分類的改進(jìn)K近鄰的支持向量機(jī)算法研究.pdf
- 基于K近鄰快速區(qū)域歸并的圖像分割算法研究及應(yīng)用.pdf
- 基于改進(jìn)K最近鄰分類的IT資產(chǎn)管理系統(tǒng)開發(fā).pdf
- 面向不平衡數(shù)據(jù)集分類的改進(jìn)k-近鄰法研究.pdf
- 最近鄰分類的若干改進(jìn)算法研究.pdf
- 基于改進(jìn)K近鄰算法的手機(jī)電子郵件內(nèi)容自動分類研究.pdf
- 最近鄰方法在填充和分類中應(yīng)用的新技術(shù).pdf
評論
0/150
提交評論