由于传统KNN算法在应用于高分辨一维距离像进行目标识别时，存在全局使用固定<i>k</i>值和未考虑各特征分量对分类的影响等不足，使得目标识别性能较差.提出一种改进的KNN算法：FLAKNN.通过提取目标高分辨率一维距离像的尺寸、熵、中心距、不规则度、去尺度特征、对称度等稳定特征，使用Fisher判别分析将所有特征分量投影至低维空间，使不同类别间具备最大可分性；结合相邻样本局部的分布情况和<i>k</i>取值的调整，最终使用少数服从多数的投票原则决定测试样本的类别.结果表明，相对传统KNN算法，该算法进一步提升了识别性能.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=20210606