knnclassify k最临近执行分类

1.使用csv_create.py将data文件中的excel文件转为csv文件并保存在data文件夹中； 2.使用csv_split.py将data中的csv文件分为训练集、测试集保存在hf文件夹中； 3.Housing_test1.py为任务1房地产均价预测，采用线性回归模型，结果保存在results/Housing_LR文件夹中； 4.Housing_test2.py为任务1房地产均价预测，采用K邻近回归模型，结果保存在results/Housing_KNN文件夹中； 5.Housing_test3.py为任务2小区的价值评价，采用线性回归模型，采用填零法或是均值法预处理数据缺失，结果保存在results/Housing_LRplus或者results/Housing_LRplus2文件夹中； 6.Housing_test4.py为任务2小区的价值评价，采用K邻近回归模型，采用填零法或是均值法预处理数据缺失，结果保存在results/Housing_KNNplus或者results/Housing_KNNplus2文件夹中；

选择强方向性Vivaldi天线作为研究对象,基于等效电路等理论分析确定了天线的结构参数，采用高频仿真软件Ansoft HFSS 11对天线的电性能进行定量分析。提出在天线两侧开栅栏和尾部加抗流栅栏的优化方法，将天线金属贴片上的表面电流汇聚于槽线部分,明显改善了天线的辐射特性，在350 MHz和830 MHz的增益分别达到5.7 dBi和8.7 dBi。

当日程还有7天1天和当天时，均会在电脑开机后自动弹出提示框

定位技术在无线传感器网络中占有重要的地位。近似三角形内点测试算法（APIT）是一种硬件要求低，定位性能良好的定位算法。APIT算法在节点密度较低的场合，易产生PIT误判，S-APIT算法采用面积和判断进行近似三角形内点测试，改善了APIT算法的PIT测试，但是在存在测距误差时，S-APIT算法并不能有效的减少PIT误判的发生。针对该问题，提出了一种将未知节点的临近信标节点作为修正节点的N-APIT算法，仿真结果表明：算法能够改善环境因素的影响，减少测距误差，改善定位精度。

基于自然邻点的插值方法，也请大家尽情下载，希望能帮助大家

c# 反距离加权插值+临近点差值+双线性差值，用窗体程序实现，可以看到效果图片

使用JAVA编写的，分词、TFIDF相似度计算，K临近法聚类