摘要：K最近邻算法（KNN）在分类时，需要计算待分类样本与训练样本集中每个样本之间的相似度。当训练样本过多时，计算代价大，分类效率降低。因此，提出一种基于DBSCAN聚类的改进算法。利用DBSCAN聚类消除训练样本的噪声数据。同时，对于核心样本集中的样本，根据其样本相似度阈值和密度进行样本裁剪，以缩减与待分类样本计算相似度的训练样本个数。实验表明此算法能够在保持基本分类能力不变的情况下，有效地降低分类计算量。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社