标签: KNN算法

对于在现代蜂窝网资源管理中，动态信道资源和能源效率控制技术的提升，很大程度依赖于早期精准的监测和对蜂窝基站流量的预测。分析基站流量数据，主要通过有效提取基站间隐含的时空信息进行流量预测。在本文中，我们通过对华北某大城市的实测数据，进行了基于时空关联性的分析，采用k-NN算法，获取蜂窝网基站间的时间相关性，选择合适的移动窗口大小，并结合了小波-Elman神经网络（ENN）算法来实现流量预测。最后，通过量化蜂窝网流量预测的准确度，并与先前存在的其他方法进行对比，得出了本文提出的方法有优越性。

文本分类技术是文本挖掘技术中的研究热点之一，但是传统KNN分类算法的时间复杂度高，在不均匀密度样本下分类准确率低。针对这些问题，提出一种在不均匀密度样本下的优化KNN算法：IKNN算法。首先选取样本分类不均匀的训练样本，并对其中高密度样本做出相应的裁剪，以提高准确率。然后在此基础上，针对裁剪后的训练样本使用投影寻踪理论，选取更小的、更具代表性的样本库，以降低分类算法的时间复杂度。在此理论基础上，通过实验表明，在大量的训练样本下，与经典KNN算法相比，IKNN算法具有更高的效率和准确率。