为减少数据集自带噪声和假近邻噪声两类噪声数据对K近邻插补算法准确性的影响,提出一种融合互近邻降噪的局部动态K近邻插补算法MN-LKNNI.针对缺失数据对样本进行局部投影切片,将互近邻与局部投影算法相结合,减少噪声数据对数据集的分布干扰;采用动态求K值参数的方法减少远距离近邻噪声的干扰,以寻找与缺失样本更相似的局部样本.分别在3个数据集和10％、20％、30％、40％、50％的缺失率下进行实验,比较MN-LKNNI、LKNNI和KNNI 3种算法的均方误差和准确率.结果表明,MN-LKNNI算法在缺失率较低的情况下相当或优于LKNNI,在缺失率较高时明显优于LKNNI和KNNI,并且具有一定的稳定性.MN-LKNNI算法通过降低噪声数据的影响,在提升缺失数据集的插补准确性上较KNNI和LKNNI两种算法性能更优.
国家科技期刊平台
NSTL
万方数据
维普
