1) nearest neighbor method
最近邻法
1.
At present, the nearest neighbor method is broadly adopted, but it has some shortcomings such as aimless searching, much work to calculate and so on.
目前广泛采用的最近邻法存在着盲目判断、计算量大的缺陷,提出了一种改进的算法,采用聚类的方法把事例库分为合理的聚类,并找到每个聚类的均值,然后在推理中,新事例直接与每个均值进行比较,找到与它最相近的聚类,并在这个聚类中搜索最相近的事例。
2) nearest neighbor algorithm
最近邻法
1.
Application of improving nearest neighbor algorithm in case-based reasoning system for automatic weapon design;
改进最近邻法在基于CBR的自动武器设计系统中的应用
3) Nearest-neighbor method
最近邻法
1.
A method based on fuzzy equivalence relation is applied to implement target classification and a synthetic algorithm is presented to fulfill multi-layer structure among groups by using the nearest-neighbor method and field knowledge.
应用基于模糊等价关系的方法实现目标编群,并提出一种基于域知识和最近邻法相结合的算法来实现群结构递增形成的策略。
4) Nearest neighbor
最近邻法
1.
,then uses the improved nearest neighbor algorithm to match and track objects.
在使用自适应背景差分法分割出运动目标候选区域的基础上,采用数学形态学操作和降低分辨率的方法,得到连通的目标区域,并使用改进的最近邻法对目标进行匹配和跟踪。
5) NN (Nearest Neighbor)
最近邻法
1.
The comparing AMSJPDA with NN (Nearest Neighbor) showed that using AMSJPDA could improve the precision of association in a complex environment.
Zhou提出的直接概率计算和近似概率计算的方法,提出了一种基于近似聚的近似概率数据互联算法(MSJPDA),通过仿真研究以及和最近邻法所做的比较表明,该方法确实能提高在密集情况下的数据融合精度,算法耗时与最近邻法相差不大,精确度接近完全概率互联算法。
2.
To reduce the incorrect association rate using NN (Nearest Neighbor) algorithm in complex environment in clutter, a new plot-track association algorithm-Approximate Multi-Sensor multi-target Joint Probabilistic Data Association (AMSJPDA) is presented in the paper.
它能有效地提高目标点迹-航迹的关联正确率,在计算时耗上较完全联合概率法快得多,能满足工程中实时性的要求,将其在杂波下目标密集、航迹复杂的数据融合系统中进行实验,对关联正确率,关联耗时等与最近邻法进行了比较,效果较好。
补充资料：近邻法分类
对被识别样本某个给定近邻域中的已知类别的学习样本数量进行统计，并以其中数量最多的那一类作为分类结果的分类方法。对 k个被识别样本的近邻学习样本进行计算时,假设离被识别样本最近的5个学习样本中有3个属于某类,就把被识别样本判别为该类。当k等于1时，就是通常所说的最近邻规则，即被识别样本离哪一类的学习样本最近，就把它分到哪一类（见最小距离分类）。设R1，R2...，R0分别是已知类别的c个学习样本集合，每个集合Rj中有uj个特征向量，用x忋表示，k=1，2,...,uj。在用最近邻规则时,可以定义被识别特征向量y与Rj之间的距离为
式中‖·‖是给定的一种距离度量。分类器把被识别模式分类到d(y, Rj)值最小的那一类中去。当用欧氏距离作为距离度量时，可以证明这种方法实质上是一种分段线性分类器。理论分析表明,当学习样本无限增加时,用最近邻规则分类的结果，其误识率（错分率）不会超过贝叶斯分类器误识率的两倍。
式中‖·‖是给定的一种距离度量。分类器把被识别模式分类到d(y, Rj)值最小的那一类中去。当用欧氏距离作为距离度量时，可以证明这种方法实质上是一种分段线性分类器。理论分析表明,当学习样本无限增加时,用最近邻规则分类的结果，其误识率（错分率）不会超过贝叶斯分类器误识率的两倍。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条