手掌识别测定系统的EER和使用KNN算法分类

在matlab中实现KNN分类器和LLE局部线性嵌入算法的实现

介绍了中心向量算法和KNN算法两种分类方法。针对KNN分类方法在计算文本相似度时存在的不足,提出了改进方案。新方案引入了中心向量分类法的思想。通过实验,对改进的KNN算法、中心向量算法和传统的KNN算

针对KNN算法在处理大数据时的两个不足对其进行了研究，提出多层差分KNN算法。算法对已知样本根据类域进行分层，既避免了传统改进算法中剪辑样本带来的判别误差，又大大降低了无效的计算量；同时在最后一层采用

采用灵敏度方法对距离公式中文本特征的权重进行修正；提出一种基于CURE算法和tabu算法的训练样本库的裁减方法，采用CURE聚类算法获得每个聚类的代表样本组成新的训练样本集合，然后用tabu算法对此样

KNN近邻算法的应用，第一个应用是简单的一个测试，第二个应用是改进约会网站的配对效果，第三个应用是手写识别系统

knn算法最小距离分类器:它将各类训练样本划分成若干子类，并在每个子类中确定代表点。未知样本的类别则以其与这些代表点距离最近作决策。该方法的缺点是所选择的代表点并不一定能很好地代表各类，其后果将使错误

OpenCV手势识别-手掌特征提取，C++代码

分析了KNN分类算法的流程,然后在K值的动态获取和分类加权两个方面对分类算法进行改进;利用MapReduce编程思想完成KNN分类算法在Hadoop集群环境下的移植和实现。实验数据证明,改进后的KNN

文章目录K-最近邻算法1.算法介绍2.算法公式(1)分类(2)回归(不好,可以不看)(3)L1和L2范数距离L1范数距离(曼哈顿距离):L2范数距离(欧几里得距离):闵可夫斯基(knn中使用)3.K值

代码是在matlab2015上写的,低版本有可能出问题.