该方法首先利用核主元分析对人脸图像进行特征提取，然后依据支持向量机与最近邻准则对所提取的核主元特征进行分类识别。
Firstly KPCA is used to extract the features of human face image, and then SVM combined with the nearest distance rule is used for classification, which depends on the kernel principal components.
依据同源连续性原理，通过分析高维空间中向量的方向和点的位置关系来研究模糊图像与原图像的空间关系，并且结合最近邻算法，将该算法应用于去除最近邻算法所得图像的本层模糊。
To recover blurred image but the PSF of the image was not known, using the method which according to homeomorphisms and the principle of homology continuity(PHC) in high-dimensional space geometry.
通过实验比对可知该算法效果在特征提取和分类方面均优于传统核主成分分析法以及最近邻分类器。
The experimental comparisons show that this algorithm outperforms traditional KPCA and K-Nearest Neighbor classifier on both feature extraction and classification.
最近邻分析（nearest neighbor analysis, NNA）将区域中点的分布于基于相同区域中点的理论意义的随机分布相比较。这个方法最初是植物生态学（plant ecologist）定义的一个间距指数（spacing index），用于比较观测到的一个区域的植物聚落图式与随机分布的异同。 空间分布的形式：离散-集聚Clark和Evans（1954）提出最近邻分析概念，king（1969）将这种方法引入城镇聚落的空间分布分析。此后，NNA逐渐发展成为一种人文地理特别是城市地理学的空间分析方法。理论上，假定所有的点完全随机分布，则其平均距离为其密度倒数值的一半。用这个结果与借助图像观测到的实际的点分布格局相比较，可以得到一个比值，这个比值通常叫做最近邻指数（nearest neighbor index），或叫R尺度。
应用推荐