最近邻分类器的MATLAB实现,能运行。

能够实现对一幅图像的最近邻、双线性、双三次三种插值

（3）最近邻分析 最近邻分析是一种分析点位置关系的点模式分析法。分析过程中心思想是先测出每点与其最近点间距离，然后将量测值与所测距离均值进行比较。 由于点对象之间距离太近会发生冲突，因此最近邻分析在动物个体和种群的活动中具有很高的利用价值，如猴、虎、狮、鳝鱼。

经典书籍《统计学习方法》李航，第3章 k近邻法(K Nearest Neighbors)-Python代码

提出了一种基于K近邻KNN（K-Nearest Neighbour）算法的换流变压器故障诊断方法。设计了4种人工油纸绝缘缺陷，采用超高频天线采集局部放电信号。通过对局部放电超高频信号进行小波包多尺度变换，计算其多尺度小波系数的能量系数。采用KNN算法对局部放电超高频信号能量特征参数进行识别。将反向传播神经网络和所提方法对局部放电超高频信号模式的识别结果进行了对比，结果表明所提出的方法更适用于换流变压器故障诊断。

CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

最近邻分类器(NN) 假设i.i.d.样本集 对于样本 ，NN采用如下的决策： 相当于采用 近邻方法估计后验概率，然后采用最大后验概率决策。 分类一个样本的计算复杂度： （采用欧氏距离）

能够实现对一幅图像的最近邻、双线性、双三次三种插值

针对现有图像盲取证方法在多重镜像篡改检测效果较差的问题,提出一种基于近似最近邻(ANN)搜索的图像篡改检测方法。提取图像的BRISK(Binary Robust Invariant Scalable Keypoints)特征描述子,获得图像的二值特征向量。利用PatchMatch计算特征间的偏移量并借助传导策略优化搜索相似图像块,实现篡改区域的初步检测。利用最小均方线性模型计算拟合误差移除误匹配点,精确定位篡改区域。在CASIA V2.0图像数据集和哥伦比亚大学图像数据集上进行实验,实验结果表明,该算法能够准确且高效地检测经复杂几何形变的篡改区域,特别是对多重镜像篡改检测的准确率更高。

本篇文章主要介绍了python机器学习案例教程——K最近邻算法的实现，详细的介绍了K最近邻算法的概念和示例，具有一定的参考价值，有兴趣的可以了解一下