資源描述：
《稀疏編碼的最近鄰填充算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第32卷第7期計(jì)算機(jī)應(yīng)用研究Vo1．32No．72015年7月ApplicationResearchofComputersJu1．2015稀疏編碼的最近鄰填充算法木蘇毅娟，程德波"，宗鳴。，李凌孫，朱永華(1．廣西師范學(xué)院計(jì)算機(jī)與信息工程學(xué)院，南寧530023；2．廣西師范大學(xué)a．計(jì)算機(jī)科學(xué)與信息工程學(xué)院；b．廣西多源信息挖掘與安全重點(diǎn)實(shí)驗(yàn)室，廣西桂林541004；3．廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院，南寧530004)摘要：針對K最近鄰填充算法(K—nearestneighborimputation，KNNI)的參數(shù)K值固定問題進(jìn)行了研究，發(fā)現(xiàn)對缺失值填充時(shí)，參數(shù)值固定很大程度上影響了填充效
2、果。為此，提出了基于稀疏編碼的最近鄰填充算法來解決這一問題。該算法是用訓(xùn)練樣本重構(gòu)每一缺失樣本，在重構(gòu)過程中充分考慮了樣本之間的相關(guān)性；并用范數(shù)來學(xué)習(xí)確保每個(gè)缺失樣本用不同數(shù)目的訓(xùn)練樣本填充，以此解決KNNI算法參數(shù)值選取問題?；跀?shù)據(jù)性能分析指標(biāo)RMSE和相關(guān)系數(shù)的實(shí)驗(yàn)比較結(jié)果表明，該算法比KNNI算法的效果要好。該算法能很好地避免了KNNI算法存在的缺陷，適用于數(shù)據(jù)預(yù)處理環(huán)節(jié)需要對缺失值進(jìn)行填充的應(yīng)用領(lǐng)域。關(guān)鍵詞：缺失值填充；稀疏編碼；重構(gòu)；均方根誤差；相關(guān)系數(shù)；數(shù)據(jù)預(yù)處理中圖分類號(hào)：TP181；TP301．6文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001．3695(2015)07．194204do
3、i：10．3969／j．issn．1001—3695．2015．07．005K—nearestneighborimputationbasedonsparsecodingSuYijuan，ChengDebo，，ZongMing，，LiLing·，ZhuYonghua(1．CollegeofComputer＆InformationEngineering，GuangxiTeachersEducationUniversity，Nanning530023，China；2．a(chǎn)．SchoolofComputerScience＆InformationEngineering，b．GuangxiKeyo，yo
4、fMulti—sourceInformationMining＆Security，GuangxiNormalUniversity，GuilinGuangxi541004，China；3．SchoolofComputer＆ElectronicsInformation，GuangxiUniversity，Nanning530004，China)Abstract：AimedattheparameterKfixedissuesofK—nearestneighborimputation(KNNI)algorithm，itwasf0undthatwhenimputethemissingvalues，th
5、efixedvalueoftheparameterKresuhedinalargeextentinfluencetotheimputationeffect．Therefore，thispaperproposedtheK—nearestneighborbasedonsparsecoding(KNNI—SC)algorithmtosolvethisproblem．Thismethodreconstructedeachmissingsamplewiththetrainingsamptes，fullyconsideringthecorrelationbetweensamplesintherecon
6、structionprocess．Anditusedan1nornltolearntoensureeachmissingsamplewasimputedbydifferentnumberoftrainingsamples，soitsolvedtheparameterKselectionproblemofKNNIalgorithm．PerformancecomparisonbasedonthedataanalysisoftheexperimentalresultsindicatorsRMSEandcorrelationcoeficientsshowthatthealgorithmisbett
7、erthanKNNIal—gorithm．ThealgorithmcanwellavoidthedefectsofKNNIalgorithm，itisavailabletodatapreprocessingstepthatneedsmiss—ingvaluesimputation’sapplications．Keywords：missingvalueimputation；sparsecoding；reconstruct；
