KNNModel算法的改進(jìn)及其應(yīng)用.pdf

1、k-近鄰(KNN)算法是一種簡(jiǎn)單而有效的分類算法。傳統(tǒng)的KNN分類算法存在著參數(shù)k難以確定以及分類新數(shù)據(jù)時(shí)間耗費(fèi)大的兩個(gè)缺陷。kNN模型算法(簡(jiǎn)記KNNModel)是一種基于KNN原理的分類算法,它克服了傳統(tǒng)KNN分類算法的這兩個(gè)缺陷。KNNModel通過有監(jiān)督地構(gòu)建數(shù)據(jù)的多個(gè)KNN模型簇,以此代替原數(shù)據(jù)集作為分類的基礎(chǔ)。不但減少了對(duì)參數(shù)k的依賴,還提高了分類的速度和精度。
　　 本文探討了KNNModel的特點(diǎn)與存在問題,對(duì)其

2、進(jìn)行了改進(jìn)與擴(kuò)充,并將這些改進(jìn)算法分別應(yīng)用于入侵檢測(cè),信號(hào)肽預(yù)測(cè)等領(lǐng)域。主要工作包括:
　　 (1)基于KNN模型的增量學(xué)習(xí)算法(IKNNModd),通過在新訓(xùn)練樣本上生成不同“層”的模型簇,實(shí)現(xiàn)了基于KNNModel的增量學(xué)習(xí)算法。
　　 (2)基于增量KNN模型的分布式入侵檢測(cè)架構(gòu),將KNNModel算法應(yīng)用于入侵檢測(cè)領(lǐng)域,并通過分布式并行技術(shù)提高算法的效率和精度。
　　 (3)基于特征子空間的分類算法(FS