做简历的网站都有哪些内容,wordpress首页标题怎么修改,封丘县建设银行网站,php 打开网站算法思路介绍#xff1a;
1. 数据准备阶段#xff1a; 生成一个合成数据集 X#xff0c;其中包含三个簇#xff0c;每个簇分布在不同的区域。 定义聚类层数 L 和每个层次的子集数量 l。
2. 聚类阶段#xff1a; 使用K均值聚类算法将初始数据集 X 分成 l 个簇。…算法思路介绍
1. 数据准备阶段 生成一个合成数据集 X其中包含三个簇每个簇分布在不同的区域。 定义聚类层数 L 和每个层次的子集数量 l。
2. 聚类阶段 使用K均值聚类算法将初始数据集 X 分成 l 个簇。 对于每个簇计算其中心点 Mp 和最大半径 Rp以及每个点到中心点的距离 D。 对每个簇存储其数据点 Xp中心点 Mp 和半径 Rp。
3. 树搜索阶段 选择一个待判定的样本 x。 初始化一个阈值 B 为正无穷当前层数 CurL 为 1以及节点指针 p 为 0。 进入主循环直到所有节点都被搜索完毕 在每一轮中从当前节点的子节点中选择一个最有可能的节点计算其与待判定样本的距离。 如果当前节点是叶子节点 检查是否有更近的邻居点更新最近邻距离 B 和最近邻点 Xnn。 如果当前节点不是叶子节点 进入下一层继续搜索。
4. 输出结果 输出最近邻点 Xnn 和其索引。 主要步骤
数据准备阶段 1. 生成合成数据集 X。 2. 定义聚类层数 L 和每个层次的子集数量 l。
聚类阶段 1. 对数据集进行 K 均值聚类。 2. 存储每个簇的数据点、中心点和半径。
树搜索阶段 1. 初始化参数如待判定样本 x、阈值 B、当前层数 CurL 和节点指针 p。 2. 在循环中从当前节点的子节点中选择一个最有可能的节点。 3. 如果当前节点是叶子节点则检查是否有更近的邻居点。 4. 如果当前节点不是叶子节点则进入下一层继续搜索。
输出结果 输出最近邻点 Xnn 和其索引。 部分代码完整代码在最后
% 进行树搜索
tic
xrandn(1,2);%待判样本
Binf;CurL1;p0;TT1;
while TT1 %步骤2Xcurpcell(1);CurTablecell(l,1);CurPinTzeros(l,1);Dxzeros(l,1);RpCurzeros(l,1);%当前节点的直接后继放入目录表 for i1:l CurTable(i,1)Xp(ip*l,1);CurPinT(i)ip*l;Dx(i)norm(x-Mp(ip*l,:))^2;RpCur(i)Rp(ip*l);end while 1 %步骤3[rowT,colT]size(CurTable);for i1:rowT if Dx(i)BRpCur(i)eps%从目录表中去掉当前节点pCurTable(i,:)[];CurPinT(i)[];Dx(i)[];RpCur(i)[];break;endend[CurRowT,CurColT]size(CurTable);if CurRowT0CurLCurL-1;pfloor((p-1)/3);if CurL0TT0; break; else%转步骤3endelseif CurRowT0[Dxx,Dxind]sort(Dx,ascend);p1CurPinT(Dxind(1));pp1;%从当前目录表去掉p1for j1:CurRowTif CurPinT(j)p1Xcurp(1,1)CurTable(j,1);CurTable(j,:)[];CurPinT(j)[];CurDDx(j);%记录D(x,Mp)Dx(j)[];RpCur(j)[]; break;endendif CurLLXcurpMatcell2mat(Xcurp);[CurpRow,CurpCol]size(XcurpMat);CurpMeanMp(p,:);for k1:CurpRowDxinorm((XcurpMat(k,:)-CurpMean))^2;if CurDDxiBepselseDxxinorm((x-XcurpMat(k,:)))^2;if DxxiBepsBDxxi;XnnXcurpMat(k,:);endendendelseCurLCurL1;break;endendend
end
B,Xnn,NNfind(X(:,1)Xnn(1))
time1toc
结果展示 完整代码MATLAB分类与判别模型算法 快速近邻法FastNN分类程序
