1) Counting-based weighted kNN algorithm(CwkNN)
计数最近邻分类算法
2) KNN by counting
计数最近邻算法
3) K-Nearest Neighbor(KNN) algorithm
K-最近邻分类算法
4) nearest neighbor clustering algorithm
最近邻聚类算法
1.
Forecasting models are established by using radial basis function(RBF) neural network based on nearest neighbor clustering algorithm(NNCA) and autoregressive integrated moving average(ARIMA).
根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(AR IMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值。
2.
By analyzing nearest neighbor clustering algorithm, a new nearest neighbor clustering algorithm is proposed.
在分析现有最近邻聚类算法所存在问题的基础上,提出了一种先利用均值规格化的思想来确定算法的初始半径,然后根据启发式规则修改聚类半径的新的最近邻聚类算法。
3.
The new algorithm brings in the Nearest Neighbor Clustering Algorithm to initialize the number and center of clustering.
该算法引入了最近邻聚类算法来初始化FCM算法的聚类数和聚类中心。
5) Nearest neighbor-clustering algorithm
最近邻聚类算法
1.
The RBF network based on improved nearest neighbor-clustering algorithm is introduced at first.
应用基于最近邻聚类算法的径向基函数(RBF)网络建立了军用无人机研制费用预测模型,并采用该模型对某型军用无人机研制费用进行了预测。
2.
The nearest neighbor-clustering algorithm has a short training time,less work to calculate and the number of hidden units is not to be determinated in advance in the various RBFNN learning algorithms,the network is optimization after clustering and can be trained on-line,it is an adaptive clustering algorithm for nonlinear real-time system.
在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用。
6) k-nearest neighbor method
最邻近分类法
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