1) k-nearest neighbor hyper-graph
k-近邻超图
1.
k-nearest neighbor hyper-graph is used to represent the content relations among shots, and shots are clustered based on hyper-graph model.
它采用k-近邻超图描述镜头间的内容相似关系,利用超图模型对镜头聚类,并通过分析镜头类别间的时间投影关系提取故事单元,并采用一维字符串描述故事单元。
2) k-nearest neighbor graph
k-近邻图
4) dynamically constructed nearest neighbor graph
动态k近邻图
1.
After profound study of the informative nearest neighborhood and its indication of the boundary of clusters, a dynamically constructed nearest neighbor graph is proposed to find different location model of points.
通过分析和挖掘最近邻关系中所包含的丰富信息,深入挖掘最近邻关系的不对称性在簇边界识别中的指示作用,设计和构造了动态k近邻图和基于密度模式的簇扩展机制,将密度模式的表示、簇边界的识别、簇内成员点扩展等环节在统一的模型下进行解决。
5) K-nearest neighbor
K-最近邻
1.
Development and improvement of K-Nearest Neighbor clustering technique
K-最近邻分类技术的新发展与技术改进
2.
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。
3.
In order to improve the predication precision of quantitative structure-activity relationship(QSAR) model,a novel combinatorial k-nearest neighbor method based on support vector machine regression(SVR-CKNN) was proposed,which could screen descriptors automatically and then builds several k-nearest neighbor models for combinatorial forecast.
该法基于支持向量机回归(SVR)自动筛选化合物结构描述符,以k-最近邻建立多个子模型实施组合预测(CKNN)。
6) K-nearest neighbor
K近邻
1.
Phosphorylation Site Prediction Based on k-Nearest Neighbor Algorithm and BLOSUM62 Matrix;
基于k近邻和BLOSUM62矩阵方法的磷酸化位点预测
2.
Facial expression recognition based on C-means and K-nearest neighbor algorithms;
基于C均值K近邻算法的面部表情识别
3.
A promising K-nearest neighbor nonparametric regression forecasting model based on typical historical database was developed.
基于所构建的历史数据库,通过数值试验,确定了状态向量、距离匹配原则,K近邻值等参量,构建了一种基于K近邻的非参数回归短时交通预测模型,实现了对路段行程速度的短时预测。
补充资料：冒牌超新星变为超新星（图）
2004年10月20日，几位业余天文学家看到有颗恒星爆发而大为增亮，起初误认作超新星——“冒牌超新星”。这颗星幸存下来，但2年后，2006年10月11日，专业的和业余的天文学家见证到：它真正“吹”出自己的爆炸碎片，这颗爆炸的恒星称为超新星SN2006jc。
观测研究小组的天文学家说：“我们过去没有看到过一颗恒星先爆发，而后看到爆炸。”他们使用了包括凯克（Keck）10米（口径）望远镜的一系列观测。它光谱的氦细线表明，该超新星的爆炸波闯进一个缓慢运动的物质壳——推测恰是2年前抛出的原来恒星外层。如果氦谱线是该超新星迅速运动的爆炸波所致，那么谱线就会宽得多。
另一小组用斯威夫特（Swift）卫星和钱德拉（Chandra）X射线观测台监测SN2006jc。爆炸波闯入爆发抛出物而造成X射线增亮，由观测的增亮推算出2004年爆发抛出的气体质量约为0.01太阳质量（相当于木星质量的10倍）。最巧合的是，虽然在不同波段（光学，X射线）观测SN2006jc，却导致同样的结论。
此事件太令人惊诧了。它为揭开某种恒星如何死亡打开了窗口。所有的观测都提示，这颗超新星的快速爆炸波是几星期前才到达早在2年前抛出的物质壳（它运动慢，还没有离开该星很远）。当快速爆炸波闯入该物质壳时，就使得该壳的气体加热到几百万度，足以发出大量的X射线。以前所有的超新星X射线观测总是很快发亮，然后就很快衰弱到看不见；而斯威夫特卫星看到它的X射线继续增亮100天，这是前所未见的。斯威夫特卫星在6个月期间监测了这颗超新星的X射线亮度增加到减小的过程，而且又有钱德拉X射线观测台高分辨地从亮的X射线像上识别出超新星。斯威夫特卫星的长时间和钱德拉X射线观测台的高分辨之间的协调观测，导出以下的很多有趣结果。
原来，这颗大质量的恒星处于演化晚期不稳定状态，不久前从“高光度蓝变星（LBV）”型转变为“乌尔夫-拉叶（Wolf-Rayet）星”型。高光度蓝变星的特征表现为它在2004年那样的爆发增亮，抛出大量物质，极为增亮的常被误认为超新星——“冒牌超新星”。乌尔夫-拉叶星的特征表现为“脱掉”外包层的晚期演化热星。
大多数天文学家没有预料到，大质量恒星在主爆发后不久就又爆炸，或者乌尔夫-拉叶星会产生如此明亮的爆发，因此，理论家为SN2006jc而迷惑，挑战流行的恒星演化模型，不知道什么原因造成这颗星在发生超新星爆炸前不久就有如此大的爆发。天文学家说，SN2006jc为高光度蓝变星式爆发可以关联着大质量恒星死亡而提供重要线索。
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