基于可传递信度模型的自适应k-NN分类器

摘要：

针对训练模式类标签不精确的识别问题,提出了基于可传递信度模型(TBM)的自适应k-NN分类器,它通过运用pignistic变换,可以方便地对待识别模式真正所属的类做出决策,并通过梯度下降来最小化训练模式的输出类标签与目标类标签之间的误差函数,以实现参数的自适应学习.实验表明,该分类器用于处理训练模式类标签不精确的模式识别问题是有效的,且与参数优化前的基于TBM的k-NN分类器相比,其误分类率更低、鲁棒性更强.

关键词： TBM 可传递信度模型 自适应k-NN分类器 pignistic概率 梯度下降 鲁棒性

作者: 刘邱云 付雪峰 吴根秀

作者单位: 江西师范大学数学与信息科学学院,南昌,330022 南昌工程学院计算机科学与技术系,南昌,330099

会议类型: 国内会议

会议名称: 2007全国理论计算机科学学术年会

会议地点: 南宁

会议语种:中文

页码: 239-243

在线出版日期: 2007-11-01（万方平台首次上网日期，不代表论文的发表时间）