基于投票委员会的k最近邻分类方法技术

一种基于投票委员会的k最近邻分类方法，包括：建立分类数据库，其中存在M种物体类别，每种物体类别由至少一个第一特征向量表示；获取表示类别待确定的物体的第二特征向量；将第二特征向量与M组第一特征向量分别进行对比，计算相关系数，得到M组相关系数，且每组包括N个相关系数；将每组中的N个相关系数按照从高到低的顺序排列，选取前A个相关系数组成投票委员会；分别对每组中的A个相关系数进行加权相加，得到M组加权和；以及选取加权和值最高的一组和加权和值次高的一组，在最高加权和值减去次高加权和值的差值不小于差值阈值，且最高的加权和值不小于决定阈值的情况下，将第二特征向量所表示的物体归属为最高加权和值表示的物体类别。

K nearest neighbor classification method based on voting Committee

A voting Committee k nearest neighbor classification method based on classification, including: the establishment of the database, the existing M object categories, each object category is represented by at least one of the first eigenvector; that represents the second eigenvector categories to be determined object; second feature vector and the first eigenvector of M group were compared. To calculate the correlation coefficient, M correlation coefficients, and each group including N correlation coefficient; N correlation coefficient in each group according to the order from high to low, select the first A correlation coefficients in each group were composed of voting Committee; the A correlation coefficient weighted sum of weighted and M group; and the selection and the highest value of a set of weighted and weighted and high value of a group, and at the highest weighted value minus the weighted high and the value of the difference is not less than the threshold, and the highest increase When the weight and the value are not less than the decision threshold, the object represented by the second feature vector is classified as the highest weighted value and the object class represented by the value.

【技术实现步骤摘要】
基于投票委员会的k最近邻分类方法
本专利技术涉及一种基于投票委员会的k最近邻分类方法。
技术介绍
在一般的物体识别方法中，在得出目标物体的特征信息之后，需要将此特征信息与已知数据库中表示物体的类别的特征信息进行比较，方能做出判断目标物体的类别。一般对于多分类问题而言，KNN分类方法是一个简单且有效的分类方法。传统KNN分类方法的做法是，将数据库中不同的类别形成一个特征空间，每个类别的特征向量单独形成一个独立的区域。当希望对表示某种物体的新得到的特征向量进行分类时，需计算新特征向量到每个类别的特征向量组成的区域的距离(设其距离为Dmin)，当新特征向量到A类别的特征向量组成的区域的距离最小时，将该新特征向量所表述的物体归属于A类别。需要对Dmin进行衡量，为此需确定一个阈值，当Dmin大于该阈值时，分类结果将被舍弃，即认为新特征向量不属于原数据库中的任何一种类别。KNN分类方法在类别决策时，只与极少量的相邻样本有关。由于KNN分类方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因而无需估计参数，无需训练，对于类域的交叉或重叠较多的待分样本集来说，KNN分类方法较本文档来自技高网...

【技术保护点】
一种基于投票委员会的k最近邻分类方法，包括如下的步骤：S1：建立分类数据库，在所述分类数据库中存在M种物体类别，M为大于1的整数，每种物体类别由至少一个第一特征向量表示；S2：获取表示类别待确定的物体的第二特征向量；S3：将第二特征向量与分类数据库中的表示M种物体类别的M组第一特征向量分别进行对比，并计算它们之间的相关系数，得到M组相关系数，每组相关系数中包括N个相关系数，N为大于1的整数；S4：针对M组相关系数的每一组中，将相关系数按照从高到低的顺序排列，选取前A个相关系数组成投票委员会，A为小于等于N的正整数，从而组成M组投票委员会；S5：针对M组投票委员会，分别对每组中的A个相关系数进行...

【技术特征摘要】
1.一种基于投票委员会的k最近邻分类方法，包括如下的步骤：S1：建立分类数据库，在所述分类数据库中存在M种物体类别，M为大于1的整数，每种物体类别由至少一个第一特征向量表示；S2：获取表示类别待确定的物体的第二特征向量；S3：将第二特征向量与分类数据库中的表示M种物体类别的M组第一特征向量分别进行对比，并计算它们之间的相关系数，得到M组相关系数，每组相关系数中包括N个相关系数，N为大于1的整数；S4：针对M组相关系数的每一组中，将相关系数按照从高到低的顺序排列，选取前A个相关系数组成投票委员会，A为小于等于N的正整数，从而组成M组投票委员会；S5：针对M组投票委员会，分别对每组中的A个相关系数进行加权相加，得到M组加权和；以及S6：从M组加权和中选取加权和值最高的一组和加权和值次高的一组，在最高的加权和值减去次高的加权和值的差值大于或等于差值阈值，且最高的加权和值大于或等于决定阈值的情况下，将第二特征向量所表示的物体类别归属为最高的加权和值所表示的物体类别，否则认为类别待确定的物体不属于分类数据库中的M种物体类别中的任一种。2.根据权利要求1所述基于投票委员会的k最近邻分类算法，其中，在步骤S2中，如果M组相关系数的一组中的最大相关系数小于特定阈值，则舍弃该组相关系数，对剩余的若干组相关系数执行步骤S3至S6中的处理，所述特定阈...

【专利技术属性】
技术研发人员：史皓天，刘烨航，
申请(专利权)人：北京一维弦科技有限责任公司，
类型：发明
国别省市：北京,11