數(shù)據(jù)分布引導(dǎo)的模糊粗糙近鄰分類算法.pdf

1、粗糙集理論是一種能夠處理不完備、不完整數(shù)據(jù)的數(shù)學(xué)工具，但是由于被粗糙集理論的定義所限制，它只能用來處理離散的數(shù)據(jù)集。
　　模糊集理論也是一種重要的計(jì)算方法，它不僅能夠處理不準(zhǔn)確、精確度不夠的信息，而且還將模糊性和不明確性引入到了精確的數(shù)據(jù)關(guān)系中。模糊集理論強(qiáng)調(diào)數(shù)據(jù)間的模糊性，與之相比，粗糙集理論強(qiáng)調(diào)的是數(shù)據(jù)間的不可分辨性。
　　將模糊集理論和粗糙集理論結(jié)合起來，便得到了模糊粗糙集。模糊粗糙集結(jié)合了模糊集和粗糙集的優(yōu)點(diǎn)，不僅可

2、以處理離散的數(shù)據(jù)，還可以處理連續(xù)的數(shù)據(jù)，或者離散和連續(xù)兼有的數(shù)據(jù)。
　　k近鄰算法是一個(gè)經(jīng)典的分類算法，該算法具有直觀、無師學(xué)習(xí)和無需先驗(yàn)統(tǒng)計(jì)知識等特點(diǎn)，是目前常用的一種分類算法。將模糊粗糙集的概念引入到k近鄰算法中，得到了模糊粗糙近鄰算法(fuzzy-rough nearest neighbor(FRNN))，這個(gè)算法可以更加靈活的處理待分類的樣本和各類別之間的關(guān)系。
　　而在實(shí)際的測試過程中，訓(xùn)練樣本總會(huì)含有一些噪聲點(diǎn)干

3、擾模糊粗糙近鄰算法的分類準(zhǔn)確度，因此如何取近鄰減小噪聲點(diǎn)的干擾、提高算法的分類準(zhǔn)確度是一個(gè)需要解決的問題。
　　根據(jù)樣本模糊相似度關(guān)系，本文提出了兩種改進(jìn)的模糊粗糙近鄰算法，通過計(jì)算待分類樣本與訓(xùn)練樣本的模糊相似度，根據(jù)數(shù)據(jù)分布的密度，將訓(xùn)練樣本中密度集中區(qū)域的樣本取出來作為代表性樣本并取近鄰，再對待分類樣本進(jìn)行分類，并在UCI標(biāo)準(zhǔn)數(shù)據(jù)集上，用五個(gè)常用的對比算法與改進(jìn)的兩個(gè)算法做對比，實(shí)驗(yàn)結(jié)果驗(yàn)證了改進(jìn)的模糊粗糙近鄰算法可以有效減