设计logo网站官网,专业网站建设渠道,平面设计培训怎么样,一键生成详情页的软件kd树就是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构#xff0c;可以运用在k近邻法中#xff0c;实现快速k近邻搜索。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分。 假设数据集\(T\)的大小是\(m*n\),即\(T{x_1,x_2,...x_m}\),其中… kd树就是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构可以运用在k近邻法中实现快速k近邻搜索。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分。 假设数据集\(T\)的大小是\(m*n\),即\(T{x_1,x_2,...x_m}\),其中\(x_i(x_i^{(1)},x_i^{(2)},...,x_i^{(n)})^Ti1,2,...m\)。构建Kd树的过程大致如下。 对所有的数据,以\(x^{(1)}\)为轴即取\(x_i^{(1)}i1,2,...m\),并求得其中位数\(mid^{(1)}\)\(mid^{(1)}\)对应的点即为根节点以\(mid^{(1)}\)为切分点将剩余数据分为两个集合左子树对应小于切分点的区域右子树对应大于切分点的区域然后针对每个集合以\(x^{(2)}\)为轴重复上述过程继续切分为两个集合然后不断重复上述过程依次选择\(x^{(j)}j1,2,...,n\)为轴直到切分得到的集合中只有一个数据为止。 kd树的构造相对简单那么如何利用kd树进行搜索 给定一个目标点搜索其最近邻首先按照“左小右大”的规则找到目标点所属区域对应的叶节点然后从该叶节点出发依次回退到父节点不断查找与目标点最邻近的点当确定不可能存在更近的节点时终止这样搜索就被限制在空间的局部区域上效率大大提高。 具体来说 1从根节点出发按照“左小右大”的规则找到目标点所属区域对应的叶节点 2然后从该叶节点出发向上回退在回退到的每个父节点\(f\)上执行一下两种操作 (a)判断\(f\)与目标点的距离是否比当前最近距离更近如果是则将当前最近点更新为\(f\) (b)当前最近点一定存在于\(f\)的一个子结点对应的区域中即一定存在于\(f\)对应的区域中即有可能\(f\)另一个 子结点距离目标点更近。判断目标点是否距离\(f\)另一个子结点对应区域更近具体地判断目标点与\(f\)对应的切 分轴 的距离是否小于当前最小距离如果小于从该子结点出发重复执行步骤2 3当回退到根节点并完成对根节点步骤2中的两步操作时搜索结束。当前最近点即为目标点的最近邻点。 以一个具体例子说明。如图1是生成的一颗kd树特征空间划分如图2所示要求目标点S(4.5,7.5)的最近邻点。 搜索过程如下 1首先在kd树中找到了包含目标点S的叶节点DD即为当前最近点两点之间的距离是当前最近距离dist 2向上回退到点B点B距离点S更远并且点B以\(x^{(2)}5.5\)为切分轴S距离\(x^{(2)}5.5\)的距离大于dist不用考虑点F 3继续向上回退到根节点点A点A距离点S更远但是点A以\(x^{(1)}5\)为切分轴S距离\(x^{(1)}5\)的距离小于dist那么点S有可能距离A的右子树区域C中的点更近 4从点C出发一直访问到点E点E比点D距离点S更近点E成为当前最近点两点之间的距离是当前最近距离dist 5从点E向上回退到点C点C距离点S更远并且点C以\(x^{(2)}4.5\)为切分轴S距离\(x^{(2)}4.5\)的距离大于dist不用考虑点G 6继续向上回退再次回退到了根节点A结束搜索点E即为点S的最近邻点。 转载于:https://www.cnblogs.com/bambipai/p/8435797.html
