Algorithm K-d树：带可处理伪码的最近邻搜索算法
维基百科中最近邻（NN）搜索的伪代码对我来说不够容易处理。很少有更多的帖子与实现一起提供，但它们似乎是特定于语言的。所以我发现很难理解NN搜索是如何工作的。这张图取自。我试图用一个具体的例子来理解它，比如查询点Q=（52,52）。 假设两个维度是（x，y），根级别按x-dim进行拆分。 正在搜索NN: 首先，我从根到叶，好像我要插入Q；这样，叶是（55,1）。将（全局）var电流_最好从无穷大更新为（55-52）2+（1-52）2=2610 接下来，我转到（70,70）并将当前的_最佳值从2610更新为182+182=648。由于这提供了更好的距离，我们必须探究它的子树：这是正确的理解吗？ 此外，我们看到节点（60,80）并没有给出更好的结果（即当前_-best没有更新） 在进一步上升的过程中，我们发现root（51,75）给出了更好的结果（current_best设置为530）。所以，应用我的理解，我们必须检查它的另一个子树 （25,40）不会产生更好的结果。我的理解是，我们仍然需要验证（25,40）的子树。然而，在这种情况下，由于该节点使用y-dim，并且由于Q.y>40，我们只需要检查正确的子树（根在（35,90））：这是正确的理解吗？ 简而言之，我看到的是，如果一个节点为当前_距离提供了更好的结果，那么我们必须探测两个子节点；如果一个节点不能提供更好的结果，我们所能做的就是忽略其中一个子树，但必须根据条件探测另一个子树（按特定维度拆分超平面）这是正确的理解吗？Algorithm K-d树：带可处理伪码的最近邻搜索算法,algorithm,data-structures,nearest-neighbor,kdtree,Algorithm,Data Structures,Nearest Neighbor,Kdtree,维基百科中最近邻（NN）搜索的伪代码对我来说不够容易处理。很少有更多的帖子与实现一起提供，但它们似乎是特定于语言的。所以我发现很难理解NN搜索是如何工作的。这张图取自。我试图用一个具体的例子来理解它，比如查询点Q=（52,52）。 假设两个维度是（x，y），根级别按x-dim进行拆分。 正在搜索NN: 首先，我从根到叶，好像我要插入Q；这样，叶是（55,1）。将（全局）var电流_最好从无穷大更新为（55-52）2+（1-52）2=2610 接下来，我转到（70,70）并将当前的_最佳值从26
最后，我非常感谢任何人为Kd树的NN搜索提供一个易于处理的伪代码想象一下目标点及其周围的一个磁盘，其半径等于迄今为止发现的最短距离（最初为无穷远） 您位于将平面拆分为两个半平面的树的根部。使半径等于当前半径的最小值以及从目标到根的距离。然后递归到与磁盘相交的半平面，只要根有子 确保跟踪哪个根达到最小值
Visit(root):
d= distance(target, root)
if d < r:
r= d
closest= root
if root.left and root.x - target.x < r:
Visit(root.left)
if root.right and target.x - root.x < r:
Visit(root.right)
访问（根目录）：
d=距离（目标、根）
如果d注意：半平面测试处于
xy