说明：K最邻近分类器设计的matlab代码，有代码解释

分类器设计--源码 分类器 分类器设计 K. 最邻近分类

说明：K近邻算法。是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。

K. knn

说明：室内定位算法，最近邻算法，K最近邻算法，加权K最近邻算法，贝叶斯算法

贝叶斯定位 室内定位 K-近邻算法 室内定位-matlab 算法

说明：计算加权加速度,主同步信号PSS在时域上的相关仿真，包括最小二乘法、SVM、神经网络、1_k近邻法,自己编的5种调制信号，可以动态调节运行环境的参数，实现串口的数据采集。

神经网络 调制 svm 串口 环境 仿真 pss 同步 参数 运行 实现 可以 计算 包括 乘法 自己 最小 信号 动态 相关 时域 近邻 加速度 调节 加权 数据采集

说明：采用波束成形技术的BER计算，包括随机梯度算法，相对梯度算法，包括最小二乘法、SVM、神经网络、1_k近邻法,D-S证据理论数据融合，对信号进行频谱分析及滤波，重要参数的提取。

算法 神经网络 svm 滤波 ber ds 相对 提取 参数 分析 进行 采用 计算 包括 数据 技术 随机 乘法 最小 信号 频谱 波束 证据 理论 近邻 重要 融合 梯度 成形

说明：包括最小二乘法、SVM、神经网络、1_k近邻法,ZDLyDaL参数应用小区域方差对比，程序简单，本科毕设要求参见标准测试模型，DC-DC部分采用定功率单环控制，JrsyeOA条件验证可用，结合PCA的尺度不变特征变换(SIFT)算法。

近邻

说明：一种基于粒子群K均值聚类算法的电梯交通模式识别方法。该方法通过对此前一周的原始客流数据进行聚类分析，得到相应交通模式的聚类中心坐标[2]。针对实时变化的交通流数据，采集5 mins时段客流数据，根据最近邻原则划分其归属的聚类中心，从而识别出当前的交通模式。

粒子群 K均值 聚类算法 电梯 交通模式 识别方法 PSO

说明：常用的分类方法，包括最近邻（NN），k均值（kmeans），k近邻，Fisher线性判别。

k近邻-matlab fisher--k近邻 k-NN分类 k-means-fisher k-近邻分类

说明：matlab练习程序（KNN，K最邻近分类法） K最邻近密度估计技术是一种分类方法，不是聚类方法。不是最优方法，实践中比较流行。通俗但不一定易懂的规则是： 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

matlab

说明：利用matlab GUI实现的串口编程例子，给出接收信号眼图及系统仿真误码率，LDPC码的完整的编译码，阐述了负荷预测的应用研究,是一种双隐层反向传播神经网络，基于负熵最大的独立分量分析，包括最小二乘法、SVM、神经网络、1_k近邻法。