基于局部均值的k-近质心近邻分类的研究与实现.doc

摘要

K-近邻(K-Nearest Neighbor, KNN)分类方法是数据挖掘领域十大经典算法之一，在模式识别、机器学习、数据挖掘、信息融合等领域有着广泛的研究和应用。作为KNN的一种扩展，基于局部均值的K-近质心近邻分类(Local Mean-Based K-Nearest Centroid Neighbor, LMKNCN)是一种新的近邻算法。在实际应用中，K-近邻分类由于其直观、简单、有效、易实现等特点，是一种常用的分类方法，被认为是数据挖掘领域中十大算法之一。模式识别的目的就是对未知的样本，判断它所在的类别。人类的模式识别能力使得人们可以很好的认识周围的环境并与之交流，如果计算机也具有类似的能力，那么其智能程度将会大大提高，可以发挥更大的功能，更好的为人类服务。本文的研究课题就属于计算机模式识别领域。

分类器是模式识别系统的重要组成部分；也是机器学习的重要研究领域。本文主要研究对象是LMKNCN分类方法，运用基于局部均值