基于动态共享近邻的谱平均密度聚类，袁超宇，张力生，谱平均密度聚类是一种基于密度的聚类算法，但存在对参数ε较为敏感的问题。针对上述问题，提出一种基于动态共享近邻的谱平均密度�

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。

针对NoC任务映射问题中时延难以预测和启发式算法效率低的问题, 提出一个时延改进模型和近邻随机遗传算法。该模型从宏观的链路负载分布和单个节点的排队时延两方面来构建NoC映射的时延模型, 通过引入时延因子、权重系数来刻画不同映射方案对时延性能的影响, 避免了NoC通信时延精确建模的难题。提出近邻随机思想来构建遗传算法的初始种群, 并且运用该算法实现了面向时延的NoC映射, 在达到全局最优的情况下, 比经典遗传算法效率提升将近20%。实验结果表明, 该算法优于现有的经典遗传算法和随机映射方案。

SPTAG：用于快速近似最近邻居搜索的库SPTAG SPTAG（空间分区树和图）是Microsoft Resea发布的用于大规模矢量近似最近邻居搜索方案的库SPTAG：用于快速近似最近邻居搜索的库SPTAG SPTAG（空间划分）树和图）是由Microsoft Research（MSR）和Microsoft Bing发布的大规模矢量近似最近邻居搜索方案的库。 简介该库假定样本表示为向量，并且可以通过L2距离或余弦距离来比较向量。 返回查询向量的向量是具有最小L2距离或余弦的向量

K-近邻算法 文章目录K-近邻算法学习目标1.10 交叉验证，网格搜索1 什么是交叉验证(cross validation)1.1 分析1.2 为什么需要交叉验证**问题：那么这个只是对于参数得出更好的结果，那么怎么选择或者调优参数呢？**2 什么是网格搜索(Grid Search)3 交叉验证，网格搜索（模型选择与调优）API：4 鸢尾花案例增加K值调优 学习目标 掌握K-近邻算法实现过程 知道K-近邻算法的距离公式 知道K-近邻算法的超参数K值以及取值问题 知道kd树实现搜索的过程 应用KNeighborsClassifier实现分类 知道K-近邻算法的优缺点 知道交叉验证实现过程 知道超

KNN最近邻算法java实现

matlab程序，计算对比度的方法有很多，该文件采用四近邻方法实现计算图像矩阵的对比度，测试通过，与君共享。

机器学习之K近邻（KNN）模型-附件资源

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

matlab的egde源代码普罗斯特 普罗斯特是解决大规模问题与亲ximal ST ructure的框架。 它包含几种原始对偶算法（例如ADMM或PDHG）以及常见的近端和线性运算符的高效CUDA实现。 可以解决的一般问题是： 其中g和f *是映射到扩展实线的凸函数，其近端映射很难评估，而K是线性算子。 安装 依存关系 确保安装了最新的工具包，并且nvcc在当前路径中。 我们建议使用至少3.0的GPU。 另一个依赖项是。 计划在将来的版本中提供C / C ++和Python的接口。 快速开始 git clone https://github.com/tum-vision/prost.git cd prost mkdir build cd build cmake .. make 入门 为了熟悉该框架，我们建议您查看MATLAB示例。 为此，启动MATLAB并将文件夹/matlab/添加到您的路径。 移至文件夹/matlab/examples/并运行任何示例，例如example_rof_primaldual.m 。 要大致了解已实现的近端和线性运算符，请查看目录/matlab/+prost