alaclp的专栏

来源：http://zh.wikipedia.org/wiki/%E5%BA%8F%E5%88%97%E6%9C%80%E5%B0%8F%E4%BC%98%E5%8C%96%E7%AE%97%E6%B3%95维基百科，自由的百科全书序列最小优化算法（英语：Sequential minimal optimization, SMO）是一种用于解决支持向量机训练过

Nearest Neighbors and Similarity SearchMaintained by Yury LifshitsUpdate: this page is frozen. Please visit the successor page by Arnoldo Muller IntroTutorialBibliographyResearch

k-d tree代码解析　　上一篇较详细地介绍了k-d树算法。本文来讲解具体的实现代码。　　首先是一些数据结构的定义。我们先来定义单个数据，代码如下：//单个数据向量结构定义struct _Examplar{public: _Examplar():dom_dims(0){} //数据维度初始化为0　　//带有完整的两个参数

k-d tree算法　　　k-d树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。应用背景　　SIFT算法中做特征点匹配的时候就会利用到k-d树。而特征点匹配实际上就是一个通过距离函数在高维矢量之间进行相似性检索的问题。针对如何快速而准确地找到查询点的近邻，现在提出了很多高维空间索引结构

KD TreeKd-树其实是K-dimension tree的缩写，是对数据点在k维空间中划分的一种数据结构。其实，Kd-树是一种平衡二叉树。举一示例：假设有六个二维数据点 = {（2,3），（5,4），（9,6），（4,7），（8,1），（7,2）}，数据点位于二维空间中。为了能有效的找到最近邻，Kd-树采用分而治之的思想，即将整个空间划分为几个小部分。六个二维数据点生成的Kd-树的

Approximate box decomposition treesArya et al. [4] have presented an optimal algorithm for approximate nearest neighbor search. They use a balanced box decomposition tree (bd-tree) as their primar