摘要

K-近鄰(K-Nearest Neighbor, KNN)分類方法是數(shù)據(jù)挖掘領(lǐng)域十大經(jīng)典算法之一，在模式識別、機器學(xué)習(xí)、數(shù)據(jù)挖掘、信息融合等領(lǐng)域有著廣泛的研究和應(yīng)用。作為KNN的一種擴展，基于局部均值的K-近質(zhì)心近鄰分類(Local Mean-Based K-Nearest Centroid Neighbor, LMKNCN)是一種新的近鄰算法。在實際應(yīng)用中，K-近鄰分類由于其直觀、簡單、有效、易實現(xiàn)等特點，是一種常用的分類方法，被認為是數(shù)據(jù)挖掘領(lǐng)域中十大算法之一。模式識別的目的就是對未知的樣本，判斷它所在的類別。人類的模式識別能力使得人們可以很好的認識周圍的環(huán)境并與之交流，如果計算機也具有類似的能力，那么其智能程度將會大大提高，可以發(fā)揮更大的功能，更好的為人類服務(wù)。本文的研究課題就屬于計算機模式識別領(lǐng)域。

分類器是模式識別系統(tǒng)的重要組成部分；也是機器學(xué)習(xí)的重要研究領(lǐng)域。本文主要研究對象是LMKNCN分類方法，運用基于局部均值