1)  Distribution pattern of branches surface
最近邻体法
2)  Zuijin(最近)
最近
1.
On the Process of Lexicalization of Zuijin(最近);
“最近”的词汇化过程探析
3)  K-nearest neighbor
K-最近邻
1.
To further understand the quantitative structure-activity relationship(QSAR)of fluorine-containing pesticide and improve the prediction precision of QSAR models,a novel nonlinear combinatorial forecast me-thod named Multi-KNN-SVR,multi-K-nearest neighbor based on support vector regression,was proposed.
为深入认识含氟农药生物活性与其结构之间的关系,建立了理想的QSAR模型,从化合物油水分配系数等7个分子结构描述符出发,基于支持向量回归(SVR)和MSE最小原则,经自动寻找最优核函数和非线性筛选描述符,构建了多个K-最近邻(KNN)预测子模型。
4)  nearest neighbour
最近邻居
1.
Firstly, proposes the two-levels order case representation, and constructs case similarity calculation model using nearest neighbour technique; then, according to order characteristics dedicated to steel industry, analyzes.
本文重点讲述了提取活动中的相似度计算问题,首先,提出了对订单案例的两级表达方式,并利用最近邻居(NearestNeighbour,NN)技术构建了案例相似度计算模型;然后,根据钢铁企业的订单特征,本文分析了区间值之间相似度的计算方法以及合成加权系数计算方法;最后,利用上述方法解决了给出了订单案例相似度计算公式,为案例提取过程提供了数学依据。
5)  nearest neighbor
最近邻
1.
Research of Reverse Nearest Neighbor Query in Spatial Database;
空间数据库中反最近邻查询技术的研究
2.
The model was produced by combining the idea of nearest neighbor with radial basis function n etworks.
针对时间序列变量难以精确预测的问题 ,本文将最近邻思想与径向基函数网络相融合 ,提出了一种新的预测方法 ,并将其应用于石油产量的预测 ,取得了良好的效
3.
The reverse nearest neighbor query is a new kind query based on the nearest neighbor query, it is application extention on spatial database.
反最近邻查询是在最近邻查询基础上提出的一种新的查询类型,是空间数据库的应用拓展,在不同维数下,根据不同的索引结构,反映出空间对象的反最近邻查询差异性较大,从不同索引结构的特性出发,分析了低维环境丁基于R*-树的反最近邻查询优势,提出高维环境下一种新的基于SRdann-树索引结构的空间对象反最近查询方法,优化了不同维数下空间对象的反最近查询性能,提高了查询效率。
6)  minimum distance
最近距离
1.
Based on this observation, an offset method is presented for computing the minimum distance between two planar algebraic curves.
通过几何观察,指出一条曲线上的最近点是另一条曲线的等距曲线与该曲线的切点这一事实,同时提出基于等距思想的方法来求解2条平面代数曲线间的最近距离。
参考词条
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。
　　

说明：补充资料仅用于学习参考，请勿用于其它任何用途。