学位论文 > 优秀研究生学位论文题录展示

KNNModel算法的改进及其应用

作　者: 黄杰
导　师: 郭躬德
学　校: 福建师范大学
专　业: 计算机应用技术
关键词: k-近邻 KNN模型分类增量算法入侵检测信号肽预测
分类号: TP311.13
类　型: 硕士论文
年　份: 2011年
下　载: 26次
引　用: 0次
阅　读: 论文下载

内容摘要

k-近邻(KNN)算法是一种简单而有效的分类算法。传统的KNN分类算法存在着参数k难以确定以及分类新数据时间耗费大的两个缺陷。kNN模型算法(简记KNNModel)是一种基于KNN原理的分类算法,它克服了传统KNN分类算法的这两个缺陷。KNNModel通过有监督地构建数据的多个KNN模型簇,以此代替原数据集作为分类的基础。不但减少了对参数k的依赖,还提高了分类的速度和精度。本文探讨了KNNModel的特点与存在问题,对其进行了改进与扩充,并将这些改进算法分别应用于入侵检测,信号肽预测等领域。主要工作包括：(1)基于KNN模型的增量学习算法(IKNNModel),通过在新训练样本上生成不同“层”的模型簇,实现了基于KNNModel的增量学习算法。(2)基于增量KNN模型的分布式入侵检测架构,将KNNModel算法应用于入侵检测领域,并通过分布式并行技术提高算法的效率和精度。(3)基于特征子空间的分类算法(FSub),为每个类在不同的特征子空间分别生成一个模型簇,并将其用于分类。(4)一种多分类器集成的信号肽预测方法,将FSub算法应用于信号肽预测领域,并通过一种多分类器融合的方法提高预测精度。在一些公共数据集上的试验结果表明了本文在对KNNModel算法研究上的有效性。

全文目录

中文摘要  2-3
Abstract  3-5
中文文摘  5-7
目录  7-9
第一章绪论  9-15
  1.1 数据挖掘技术  9
  1.2 KNN算法及其研究现状  9-11
  1.3 本文主要研究内容及特色  11-12
  1.4 论文章节安排  12-15
第二章背景知识介绍  15-19
  2.1 KNNModel算法介绍  15-16
  2.2 KNNModel算法的特点  16-17
  2.3 本章小结  17-19
第三章基于KNN模型的增量学习算法  19-41
  3.1 增量学习算法概述  19-20
  3.2 增量KNNModel算法  20-24
  3.3 增量KNNModel实验  24-30
  3.4 增量KNNModel的修剪策略  30-33
  3.5 带修剪IKNNModel实验  33-39
  3.6 本章小结  39-41
第四章基于增量KNN模型的分布式入侵检测架构  41-49
  4.1 背景知识简介  41-42
  4.2 基于增量KNN模型的分布式入侵检测架构  42-44
  4.3 实验结果与分析  44-47
  4.4 本章小结  47-49
第五章基于类最优特征子空间算法  49-57
  5.1 相关背景介绍  49-50
  5.2 基于类最优特征子空间算法  50-54
  5.3 实验结果与分析  54-56
  5.4 本章小结  56-57
第六章 FSub-BN:一种局部和全局优化集成的信号肽预测方法  57-69
  6.1 相关背景介绍  57-59
  6.2 蛋白质序列处理  59-62
  6.3 本文的算法  62-65
  6.4 实验结果及分析  65-67
  6.5 本章小结  67-69
第七章结论和展望  69-71
  7.1 本文工作总结  69-70
  7.2 今后工作展望  70-71
参考文献  71-79
攻读学位期间承担的科研任务与主要成果  79-81
个人简历  81-82

KNNModel算法的改进及其应用

内容摘要

全文目录

相似论文