论文部分内容阅读
为克服近邻分类法需要大量计算和存储的缺点，本文利用Ｔａｂｕ搜索来求解满足一定错误率条件的最小参考样本集。当错误率阈值设为０时，可以得到原训练集的一致子集，当错误率阈值设为适当的非零值时，可以较好地克服近邻估计的偏置。通过在Ｔａｂｕ搜索中引入适当的激活（ａｓｐｉｒａｔｉｏｎ）条件，避免了在可行和不可行解区间无意义的来回搜索，加快了收敛的速度，实验结果表明，本文算法在压缩比和分类性能上都优于经典的算法