kdtree 提供了 kd-tree 的简约实现。 该实现既可以通过 MEX 调用在 MATLAB 内部使用，也可以作为独立工具直接从 C/C++ 程序使用。 网站上的图片带有“ fulltest.m”字样此实现提供以下功能： - kdtree_build: kd 树构造 O( n log^2(n) ) - kdtree_delete：释放由 kdtree 分配的内存- kdtree_nearest_neighbor：最近邻查询（针对一个或多个点） - kdtree_k_nearest_neighbors：单个查询点的 kNN - kdtree_range_query：矩形范围查询- kdtree_ball_query：查询与点的距离增量的样本重要说明：由于 Matlab 提供了一个 kdtree，我对维护此代码失去了兴趣。

此发行版包含 KDTREE、KDTREEIDX 和 KDRANGEQUERY 函数。 ----- KDTREE 使用 kD 树查找最近点。 CP = KDTREE（REFERENCE，MODEL）在中找到最接近的点模型中每个点的参考。 通过从 REFERENCE 中的数据点构建 kD 树，并在 MODEL 中查询每个数据点的树，以有效的方式执行搜索。 IDX = KDTREEIDX( REFERENCE, MODEL ) 为 MODEL 中的每个点查找 REFERENCE 中最近的点。 通过在REFERENCE中从数据点构建kD树，并在MODEL中为每个数据点查询树，以有效的方式执行搜索。 PTS = KDRANGEQUERY( ROOT, QUERYPT, DISTLIM ) 查找存储在 kD 树 ROOT 中且在 QUERYPT 的 DISTLIM 单元内的所有点。 使用 D

最近做毕业设计把资料共享一下吧-基于LQR的直升机最优控制系统的设计.pdf 如题：开始发了20多篇但不知怎么提示不成功，先发小点试一下 作为回报，希望高手们能提供一下如下系统的控制策略 Transfer function:              -3e007 s^2 7.2e012 s - 5.76e017 ----------------------------------------------------------- s^4 2.403e005 s^3 1.926e010 s^2 4.92e012 s 7.58e015 做了好些试验都不理想，可以用PID和LQR

变量选择是分类中最重要的模型选择问题之一。 提出了一种新的基于局部偏最小二乘（KPLS）子空间中的最近邻（FNN）的方法，以选择简约变量作为非线性建模输入。 首先，将非线性输入简化为KPLS子空间的主要成分。 此外，它们的重要性的顺序是根据FNN在KPLS子空间中启发的距离度量确定的。 这样，识别出了不重要的变量。 最后，使用不同的参数模型研究了3个典型分类问题的变量选择。 结果表明，该方法对非线性模型约简是有效的。 因此，可以用于非线性系统的变量选择。

4.K-最近邻(KNN)分类并行化算法 基本算法设计思想 K-最近邻是分类器算法中最通俗易懂的一种，计算测试样本到各训练样本的距离，取其中距离最小的K个，并根据这K个训练样本的标记进行投票得到测试样本的标记。 加权K-最近邻分类算法的思路是，在根据测试样本的标记进行投票表决时，将根据测试样本与每个训练样本间距离（或相似度）的大小决定训练样本标记的作用大小，基本原则是：距离越近的训练样本其标记的作用权重越大，反之则越小。据此，可以建立一个带加权的投票表决计算模型(比如y’ = ∑Si*yi/∑Si, k=[0,k-1],Si为取值0-1的相似度数值，yi为选取出的最邻近训练样本的分类标记值)决定以最终的测试样本的分类标记。 算法的思路清晰简单，然而对于海量数据计算量很大，耗费时间较长。

针对传统钢轨检测方法不能满足线路检修的需要,提出了一种基于计算机视觉的钢轨扣件检测算法,运用投影法和特定区域像素点扫描统计相结合的方法定位扣件位置,使用灰度特征和HOG特征描述扣件特征向量,并利用Chi开方距离分类器进行特征提取。实验结果表明,该算法具有一定的有效性和可行性。

主要介绍了元宇宙的基本理念、来源、商业应用、技术使用、实际应用和对于未来的思考，适用于培训和汇报。

正交采样Matlab代码

解决Windows10偷偷自动更新导致的共享打印机无法使用问题，实际上是电脑偷偷自动更新了补丁。不用单独去卸载KB5006** 这些补丁，直接运行bat即可

清除SolidEdge最近打开的文件历史列表