粗粒度至精细K近邻分类器：提高精度与减少冗余

本文主要探讨了一种新颖的分类算法——粗到细K最近邻分类器（Coarse-to-Fine K-Nearest Neighbor Classifier, CFKNNC），它是在传统的K最近邻分类器（Conventional K-Nearest Neighbor Classifier, CKNNC）基础上提出的改进方法。相比于CKNNC，CFKNNC在处理分类任务时，采用了一种分阶段策略：首先，它粗略地筛选出与测试样本存在较强相似性的训练样本，这一阶段考虑到了不同训练样本间的潜在依赖关系；接着，再精细地确定测试样本的K个最邻近样本，这一步通过利用"基于表示的距离"而非欧几里得距离，避免了过多的冗余信息。 "基于表示的距离"这一概念强调的是样本的内在特征和模式的匹配，而不是简单的几何距离，这使得CFKNNC能更好地识别和捕捉数据的复杂结构。与CKNNC相比，CFKNNC的优点在于，其确定的最近邻居更具代表性，更能反映出测试样本的本质特征，从而提高了分类的准确性。 实验结果表明，CFKNNC在 palmprint recognition（指纹识别）和face recognition（人脸识别）等生物特征识别领域的应用中，相比于CKNNC，表现出了更高的分类精度。此外，它还能够作为其他改进方法的基础，如最近特征线分类器（Nearest Feature Line Classifier, NFLC）、最近特征空间分类器（Nearest Feature Space Classifier, NFS）、最近邻居线分类器（Nearest Neighbor Line Classifier, NNLC）以及基于中心的最近邻居分类器（Center-Based Nearest Neighbor Classifier, CBNNC），进一步优化了分类性能。 总结来说，CFKNNC通过引入更精细的分析策略和非欧几里得距离计算，克服了常规KNN的一些局限性，提升了分类任务的准确性和效率，为实际应用中的生物特征识别提供了新的可能。