基于 RKNN 的选址算法及其应用研究
《2024年基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》范文
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》篇一一、引言随着无线通信技术的不断发展，室内定位技术已经成为许多领域的关键技术之一，如智慧城市、智慧校园等。
其中，基于WiFi的室内定位方法因其广泛的覆盖范围和易于部署的特点受到了广泛关注。
然而，传统的WiFi室内定位方法面临着许多挑战，如信号强度易受环境干扰、多径效应等。
因此，本文提出了一种基于改进K-means聚类和WKNN（加权k近邻）算法的WiFi室内位置定位方法，旨在提高定位精度和鲁棒性。
二、相关工作K-means聚类算法是一种常用的无监督学习方法，用于将数据集划分为K个不同的簇。
在WiFi室内定位中，K-means算法可以用于将AP（接入点）的信号强度数据划分为不同的簇，以减少数据的冗余和提高定位的准确性。
然而，传统的K-means算法在处理大规模数据集时存在计算复杂度高、易陷入局部最优等问题。
因此，研究如何改进K-means算法以提高其性能具有重要的实际意义。
WKNN算法是一种基于近邻的分类和回归方法，通过计算测试样本与训练集中最近K个邻居的距离，利用这些邻居的信息进行预测。
在WiFi室内定位中，WKNN算法可以利用AP的信号强度信息，通过计算测试位置与已知位置之间的距离，实现室内定位。
然而，传统的WKNN算法在处理具有噪声和异常值的数据时，其性能会受到影响。
因此，研究如何改进WKNN算法以提高其鲁棒性也是本文的重点之一。
三、方法本文提出了一种基于改进K-means聚类和WKNN算法的WiFi室内定位方法。
首先，利用改进的K-means算法对AP的信号强度数据进行聚类，以减少数据的冗余和提高数据的可读性。
其次，利用WKNN算法计算测试位置与已知位置之间的距离，并加权融合多个AP的信号强度信息，以实现更准确的室内定位。
在改进K-means聚类方面，我们采用了一种基于密度的聚类方法，通过计算数据点的密度和相邻数据点的距离，将数据点划分为不同的簇。
rknn算法的原理和步骤
RKNN（Rapid AI Development Kit Neural Network）是一个用于神经网络快速推理的工具集，它提供了一种高效且便捷的方式来将深度学习模型部署到嵌入式设备上。
RKNN 算法结合了离线量化和在线优化的方法，以降低计算复杂度并提高推理性能。
下面将详细介绍RKNN算法的原理和步骤。
一、离线量化离线量化是RKNN算法的第一步，其目的是通过减少权重的位数来减小模型的尺寸和计算量，从而提高推理性能。
离线量化主要包括以下步骤：1. 模型训练：首先，使用常规的深度学习框架（如TensorFlow、PyTorch等）进行模型训练。
在训练过程中，我们可以使用较高精度的浮点数进行计算，以获得更准确的结果。
2. 权重剪枝：在训练完成后，我们可以使用剪枝技术来减少模型中非重要的权重。
剪枝技术基于权重的重要性进行选择，将对模型影响较小的权重置零或删除，从而减少模型的参数量。
3. 权重量化：在剪枝完成后，我们需要将浮点数的权重量化为定点数或低精度浮点数。
常见的量化方法有对称量化和非对称量化。
对称量化将权重量化到[-127,127]的整数范围内，而非对称量化将权重量化到[0,255]的无符号整数范围内。
4. 网络结构量化：除了权重量化，我们还可以对网络结构进行量化。
网络结构量化主要包括对激活函数、卷积核大小等参数进行量化，以减小模型的尺寸和计算复杂度。
二、在线优化在线优化是RKNN算法的第二步，其目的是通过进一步优化推理过程中的计算流程和数据布局，提高推理性能和效率。
在线优化主要包括以下步骤：1. 图优化：在进行推理之前，我们需要对模型进行图优化，以减小计算图的规模和复杂度。
图优化主要包括常规优化、模型融合和模型量化等步骤。
常规优化主要包括去除冗余操作、合并相邻操作等；模型融合将多个操作融合为一个操作，减少计算量；模型量化将高精度的操作替换为低精度的操作，提高计算效率。
2. 数据布局优化：在进行推理时，我们需要将模型和数据存储在内存中。
一种基于改进k-means算法的菜鸟驿站选址方法
一种基于改进k-means算法的菜鸟驿站选址方法基于改进k-means算法的菜鸟驿站选址方法是一种利用聚类分析技术来确定最佳驿站选址的方法。
传统的k-means算法是一种常见的聚类算法，它通过计算样本之间的距离来将样本划分成k个簇。
然而，在实际应用中，k-means算法存在一些问题，如对初始聚类中心的敏感性、选取最佳k值的困难、易陷入局部最优等。
改进k-means算法的菜鸟驿站选址方法可以通过以下几个步骤实现：1. 数据预处理：首先，收集并整理相关的地理数据，包括人口分布、交通情况、商业区域等。
然后，对数据进行标准化处理，以便在应用k-means算法时能够平等对待各个指标。
2. 确定聚类数目k：为了选择合适的聚类数目k，可以借助改进的k-means算法，如二分k-means、密度聚类等。
这些算法可以根据聚类的结果来评估聚类的质量，并选择最佳的聚类数目。
3. 执行改进的k-means算法：根据选定的聚类数目k，执行改进的k-means算法来确定最佳驿站选址。
改进的k-means算法可以采用一些优化策略，如使用不同的距离度量方式、调整初始聚类中心等。
4. 评估聚类结果：对于得到的聚类结果，可以通过内部评价和外部评价两种方式进行评估。
内部评价方法可以通过计算簇内的紧密度和簇间的分离度来评估聚类的质量；外部评价方法可以通过与已知标签进行比较来评估聚类的准确性。
5. 选取最佳驿站位置：根据评估结果，选取最佳驿站位置。
可以考虑选择簇内样本数最多的簇作为最佳驿站位置，以满足人口密度的要求；也可以考虑选择离商业区域和交通枢纽较近的簇作为最佳驿站位置，以便提高驿站的利用率和便捷性。
通过基于改进k-means算法的菜鸟驿站选址方法，可以提高驿站选址的准确性和效率，满足人们的快递需求。
基于搜寻者优化算法的K-means聚类算法
基于搜寻者优化算法的K-means聚类算法王盛慧;夏永丰【摘要】针对K-means聚类算法易陷入局部最优的问题,提出一种改进的K-means算法,将搜寻者优化算法(SOA)和K-means聚类算法结合起来,利用SOA鲁棒性好、全局搜索能力强的特点,通过确定搜寻者的搜索方向和搜索步长,更新搜寻者的位置,进行全局寻优,提高K-means聚类算法的聚类精确度.在仿真实验过程中,首先,选取具有代表性的处于三种燃烧状态的水泥回转窑窑内视频图像为研究对象,分别采用K-means算法和改进后的算法进行仿真实验,实验结果表明,改进算法所获得的图像聚类效果更加精确;然后,分别用上述两种算法对数据集Iris和Wine进行相关测试,结果表明,改进算法的聚类精确度和运行效率都得到了有效提高.【期刊名称】《燕山大学学报》【年(卷),期】2018(042)005【总页数】6页(P422-426,433)【关键词】K-means聚类算法;搜寻者优化算法;全局寻优;聚类精确度【作者】王盛慧;夏永丰【作者单位】长春工业大学电气与电子工程学院,吉林长春130012;长春工业大学电气与电子工程学院,吉林长春130012【正文语种】中文【中图分类】TP391.410 引言K-means算法是一种无监督学习的聚类方法，在聚类过程中，受初始聚类中心的影响，算法易存在聚类精度低、聚类效果不稳定等问题。
为了解决算法中所存在的不足之处，许多学者进行了相关研究。
张琦等[1]提出了一种局部优先处理的方法，利用局部区域的相关信息进行划分，提高了算法的运行效率，同时改善了图像的分割效果。
施海滨等[2]把期望最大化算法引入到K-means算法中，有效地提高了算法的收敛速度。
王爱莲等[3]提出了一种改进的YUV颜色空间混合模型。
朱征宇等[4]提出一种改进的多阈值分割方法，以局部区域的最小H分量作为阈值，提高了图像分割的精确性。
韩建栋等[5]采用粗糙集先对彩色图像进行初分割，然后运用直方图进行区域的细分割，提高了算法的运行效率，改善了图像的分割效果。
基于K-Means算法的小区垃圾分类站选址问题研究
基于K-Means算法的小区垃圾分类站选址问题研究作者：潘冯超刘勤明史展维刘靖杰来源：《软件导刊》2020年第10期摘要：为促进垃圾分类政策实施，科学、合理地在居民生活小区设置垃圾分类站，建立选址模型和成本模型对垃圾分类站建设运营成本及居民满意度负效应成本进行求解，并对K-means聚类算法与模糊C-means聚类算法进行比较。
通过对某小区每栋居民楼到垃圾分类站的平均距离分析得出，K-means聚类算法计算得出的平均距离相比模糊C-means聚类算法缩短了约17%，在成本模型中建设运营成本降低了1万元，居民满意度负效应成本降低了0.68万元，验证了模型的可行性及K-means聚类算法的优越性。
在未来的研究中可对算法进行改进，以进一步优化成本，确定全局最优。
关键词：垃圾分类;选址优化;K-means聚类;居民满意度负效应DOI：10. 11907/rjdk. 201315中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2020）010-0102-04Abstract：In order to promote the implementation of the garbage classification policy，scientifically set up the number of garbage classification stations in the residential quarters， we establish the location model and cost model for the construction and transportation of garbage classification stations. By comparing K-means clustering algorithm with fuzzy C-means clustering algorithm， we find that K-means clustering algorithm is 17% lower than that of fuzzy c-means clustering algorithm. In the cost model， the construction and operation cost is reduced by 10 000 yuan， and the cost of satisfaction negative effect is reduced by 6 800 yuan， which verifies the feasibility of the model and the superiority of the algorithm. It can further improve the algorithm to continue to optimize the cost and determine the global optimization.Key Words： garbage classification; site selection optimization; K-means clustering; negative effect of residents’ satisfaction0 引言从2019年7月1日起，上海市开始正式施行《上海市生活垃圾管理条例》[1]。
基于k-means的选择性任务调度算法研究
使任务和资源形成匹配映射关系，将任务簇对应到合适的资源簇，解决了因任务与资源的不匹配，从而造成的资源浪费的
问题。其次，为了快速处理同一资源簇中的不同任务集，采用 Min-Min 算法和 Max-Min 算法相结合的选择调度算法，有
效地改善了传统的 Min-Min 算法中系统负载的均衡性和系统的执行效果。最后，在 Cloud 1，周玉轩 2，范威振 1
（1.长春理工大学 计算机科学技术学院，长春 130022；2.长春理工大学 电子信息工程学院，长春 130022）
摘 要：针对云任务调度中资源利用率低、任务执行时间长、资源和任务的匹配程度低等问题，提出了一种基于 K-means
的启发式选择调度算法。首先，依据任务的需求特征和资源的属性，通过 K-means 算法分别对任务和资源进行聚类分簇，
验结果表明改进后的算法具有较好的任务执行效率，与其他方法相比，能有效的减少任务执行时间和最后完成时间、提高
系统资源的利用率。
关键词：云计算；任务调度；K-means 聚类；选择调度算法
中图分类号： TP399
文献标志码：A
文章编号：1672-9870（2019）05-0109-07
Research on the Selective Task Scheduling Algorithm Based on K-means
LIU Yan-long1，TAO Yue1，CHEN Zhan-fang1，ZHOU Yu-xuan2，FAN Wei-zhen1
（1.School of Computer Science and Technology，Changchun University of Science and Technology，Changchun 130022； 2.School of Electronic and Information Engineering，Changchun University of Science and Technology，Changchun 130022）
99%利用率的rknn模型
99%利用率的rknn模型（原创版）目录1.RKNN 模型的概述2.RKNN 模型的算法原理3.RKNN 模型的优点与局限性4.RKNN 模型在知识类写作中的应用正文1.RKNN 模型的概述RKNN（Rectified K-Nearest Neighbors）模型是一种基于 K-近邻（KNN）算法的改进模型，用于文本分类任务。
与传统的 KNN 算法相比，RKNN 模型通过引入核函数和 rectifier 激活函数，能够学习到更加复杂的文本特征，从而提高模型的分类性能。
2.RKNN 模型的算法原理RKNN 模型的核心思想是在 K-近邻算法的基础上，将原始文本数据映射到高维特征空间，并使用核函数计算文本之间的相似度。
在 RKNN 模型中，每个训练样本都会选择与其距离最近的 K 个训练样本，然后使用rectifier 激活函数计算这 K 个样本的加权平均值，作为该训练样本的预测标签。
对于测试样本，同样使用核函数计算其与所有训练样本之间的相似度，并选择距离最近的 K 个训练样本，最后根据这 K 个样本的加权平均值确定测试样本的预测标签。
3.RKNN 模型的优点与局限性RKNN 模型具有以下优点：（1）较高的利用率：RKNN 模型能够充分利用训练数据中的信息，将训练数据中的 99% 的利用率，相较于传统 KNN 算法的 70% 左右的利用率有显著提升。
（2）较强的特征学习能力：通过引入核函数和 rectifier 激活函数，RKNN 模型能够学习到更加复杂的文本特征，从而提高模型的分类性能。
然而，RKNN 模型也存在一些局限性：（1）计算复杂度较高：由于 RKNN 模型需要计算大量的相似度和加权平均值，其计算复杂度相对较高，可能导致模型训练速度较慢。
（2）对数据规模敏感：RKNN 模型在处理大规模数据时，容易受到“维度灾难”的影响，导致模型性能下降。
4.RKNN 模型在知识类写作中的应用RKNN 模型在知识类写作中的主要应用是文本分类，例如将一篇文章归类到对应的主题或者情感类别。
基于改进Q-learning算法的移动机器人路径规划
基于改进Q-learning算法的移动机器人路径规划
井征淼;刘宏杰;周永录
【期刊名称】《火力与指挥控制》
【年(卷),期】2024(49)3
【摘要】针对传统Q-learning算法应用在路径规划中存在收敛速度慢、运行时间长、学习效率差等问题,提出一种将人工势场法和传统Q-learning算法结合的改进Q-learning算法。
该算法引入人工势场法的引力函数与斥力函数,通过对比引力函数动态选择奖励值,以及对比斥力函数计算姿值,动态更新Q值,使移动机器人具有目的性的探索,并且优先选择离障碍物较远的位置移动。
通过仿真实验证明,与传统Q-learning算法、引入引力场算法对比,改进Q-learning算法加快了收敛速度,缩短了运行时间,提高了学习效率,降低了与障碍物相撞的概率,使移动机器人能够快速地找到一条无碰撞通路。
【总页数】7页(P135-141)
【作者】井征淼;刘宏杰;周永录
【作者单位】云南大学信息学院
【正文语种】中文
【中图分类】TP242
【相关文献】
1.煤矿井下基于Q-learning算法的移动机器人路径规划
2.基于改进Q-learning 的移动机器人\r路径规划应用研究
3.基于改进Q-learning算法的移动机器人局部
路径规划4.基于BAS和Q-Learning的移动机器人路径规划算法研究5.基于改进Q-learning算法的移动机器人路径优化
因版权原因，仅展示原文概要，查看原文内容请购买。
无线传感网中基于sink节点的目标位置选择移动算法
标位置及移动路线如何确定成为不得不考虑的现实问
placed，and an optimal path is presupposed for running of the sink node by applying the thought of continuous Hopfield neural
network algorithm. Simulation results by Matlab show that this route algorithm can suppress the phenomenon of energy hole effec⁃
work energy consumption；network lifetime
0
引
到 WSN 中 [4]。现阶段提出了各种 sink 节点移动方案 [5⁃9]，
言
随着物联网的发展，无线传感器网络（WSN）作为其
重要的组成部分，在工业、农业等方面被广泛应用，但基
于传感器自身的特点，通常用能量有限的干电池给它供
关键词：移动 sink 节点；能量空洞；目标位置选择移动算法；信息泛洪；网络能耗；网络寿命
中图分类号：TN92⁃34
文章编号：1004⁃373X（2015）19⁃0043⁃03
文献标识码：A
Algorithm of target position selection and movement based on mobile
sink node in wireless sensor network
RAO Fang，TAN Jianjun
（Hubei University for Nationalities，Enshi 445000，China）
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》范文
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》篇一一、引言随着无线通信技术的飞速发展，室内定位技术逐渐成为研究热点。
WiFi因其广泛覆盖和易于部署的特点，成为室内定位的主要手段之一。
然而，传统的WiFi定位方法往往受到信号衰减、多径效应等因素的影响，导致定位精度不高。
为了解决这一问题，本文提出了一种基于改进K-means聚类和WKNN（加权K近邻）算法的WiFi室内定位方法。
二、传统WiFi室内定位的局限性传统的WiFi室内定位方法主要依赖于信号强度进行定位，但由于室内环境复杂，信号衰减和多径效应等问题使得定位精度受到很大影响。
此外，传统的定位方法往往忽略了用户设备的移动性和环境变化的实时性，导致定位结果不够准确。
三、改进K-means聚类算法为了解决上述问题，我们引入了改进的K-means聚类算法。
该算法通过对WiFi信号进行聚类分析，将相似的信号分组，从而减少信号的冗余和干扰。
在聚类过程中，我们采用了基于密度的聚类方法，提高了聚类的准确性和鲁棒性。
同时，我们通过对K 值进行动态调整，以适应不同环境和用户设备的变化。
四、WKNN算法WKNN算法是一种基于距离的近邻算法，通过计算待测点与已知参考点之间的距离，选择距离最近的K个点作为近邻，然后根据这些近邻的信息进行加权计算，得到待测点的位置信息。
在我们的方法中，我们利用改进的K-means聚类结果，选择聚类中心作为参考点，计算待测点与这些参考点之间的距离，并利用WKNN算法进行加权计算。
五、方法实现我们的方法主要包括以下几个步骤：首先，通过改进的K-means聚类算法对WiFi信号进行聚类分析，得到各聚类中心的位置信息；然后，利用WKNN算法计算待测点与各聚类中心之间的距离，并选择距离最近的K个聚类中心作为近邻；最后，根据这些近邻的信息进行加权计算，得到待测点的位置信息。
六、实验与分析我们通过实际实验验证了该方法的有效性。
简述k-nn算法原理,基于应用场景举例佐证
简述k-nn算法原理,基于应用场景举例佐证K最近邻算法（k-nearest neighbors algorithm，简称k-nn算法）是一种用于分类和回归的非参数统计方法。
其原理是基于欧氏距离或其他距离度量方法，通过检测最近邻的k个样本，来判断待分类样本所属的类别。
k-nn算法的核心思想是通过测量不同特征之间的距离，来确定样本之间的相似度。
在分类问题中，当有一个未分类的样本时，算法会计算它与已知类别的样本的距离，然后根据最近的k个样本的类别进行投票，从而确定待分类样本所属的类别。
而在回归问题中，k个最近邻样本的平均值或加权平均值将被用来预测待回归样本的值。
k-nn算法的执行过程简单但效果不错，因此在许多领域都被广泛应用。
举例来说，假设我们要使用k-nn算法对一组动物的图像进行分类。
我们首先收集了一系列动物的图片，并为每张图片提取了特征，比如颜色、纹理等信息。
接下来，我们需要训练一个k-nn分类器，即在已知动物类别的样本中，通过k-nn算法找到这些动物图片之间的相似性，并用这些相似性信息来进行分类。
当我们要对一张新的动物图片进行分类时，k-nn算法会首先计算这张图片与已知动物图片的距离，然后找到距离最近的k个样本。
最后，根据这k个样本的类别，通过投票的方式来确定待分类动物图片所属的类别。
比如，当k=3时，若这3个最近的样本中有2个是狗的图片，1个是猫的图片，那么这张待分类的图片就可能被判定为狗。
除了动物分类外，k-nn算法还被广泛应用于其他领域，比如医学诊断、金融风险评估、推荐系统等。
在医学方面，可以使用k-nn算法来判断病人的病情类别，比如是否患有某种疾病。
在金融行业，可以利用k-nn算法来预测贷款申请者的信用风险。
在推荐系统中，k-nn算法可以根据用户对商品的喜好程度来进行商品推荐。
当然，k-nn算法也存在一些缺点。
由于需要计算待分类样本与所有已知样本的距离，当样本量较大时，计算成本会变得非常高。
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》范文
《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》篇一一、引言随着无线通信技术的快速发展，室内定位技术在诸多领域如智能建筑、物流管理、智慧城市等扮演着日益重要的角色。
其中，WiFi因其覆盖面广、布网方便和低成本等优势，已成为室内定位的主流技术之一。
然而，传统的WiFi室内定位方法在面对复杂多变的室内环境时，仍存在定位精度不高、稳定性差等问题。
因此，本文提出了一种基于改进K-means聚类和WKNN（加权k近邻）算法的WiFi室内定位方法，旨在提高定位精度和稳定性。
二、K-means聚类算法的改进K-means聚类算法是一种常用的无监督学习方法，通过迭代优化将数据划分为K个聚类，使得每个聚类内部的样本具有较高的相似性。
在WiFi室内定位中，我们可以将WiFi信号强度作为数据特征，利用K-means算法对不同位置点的WiFi信号强度进行聚类。
然而，传统的K-means算法在处理大规模数据时存在计算复杂度高、易陷入局部最优等问题。
因此，本文提出了一种改进的K-means算法。
该算法通过引入密度峰值检测技术，能够在迭代过程中自动识别并剔除噪声数据和异常值，从而提高聚类的准确性和稳定性。
此外，我们还采用了一种基于质心的初始化方法，以减少算法陷入局部最优的可能性。
三、WKNN算法的引入WKNN算法是一种基于距离度量的分类与回归方法，通过计算待测样本与已知样本之间的距离，并赋予不同的权重，以实现对未知样本的分类或预测。
在WiFi室内定位中，我们可以将WKNN算法应用于计算用户设备（UE）与各个接入点（AP）之间的距离，进而确定UE的位置。
相比传统的KNN算法，WKNN算法通过引入权重因子，能够更好地处理不同特征之间的差异性，提高定位精度。
此外，WKNN算法还可以通过调整权重的计算方式，灵活地适应不同的应用场景和需求。
四、基于改进K-means和WKNN的WiFi室内定位方法本文将改进的K-means聚类算法和WKNN算法相结合，提出了一种新的WiFi室内定位方法。
rknn算法的原理和步骤
RKNN算法是一种深度学习模型压缩和优化的算法。
它可以将大型的深度学习模型压缩成小型的模型，从而在低功耗设备上实现高效的推理。
本文将介绍RKNN算法的原理和步骤。
一、RKNN算法的原理RKNN算法的原理基于两个核心技术：量化和剪枝。
1. 量化（Quantization）量化是将浮点数转换为定点数或整数的过程。
在深度学习中，我们通常使用32位或64位的浮点数来表示权重和激活值。
但是，在低功耗设备上进行推理时，使用32位或64位的浮点数会浪费大量的计算资源和存储空间。
因此，在RKNN算法中，我们需要将浮点数量化为8位或16位的定点数或整数。
量化的过程如下：a. 将浮点数映射到一个有限的整数集合中。
b. 将整数集合中的整数编码为二进制数。
c. 将二进制数解码为整数，并将其映射回浮点数。
d. 对量化后的浮点数进行校准，以保持精度。
2. 剪枝（Pruning）剪枝是指通过删除冗余的权重和神经元来减少模型的大小和计算量。
在深度学习中，许多神经元可能对最终的输出贡献不大，或者可以由其他神经元来代替。
因此，我们可以通过剪枝来减少模型的大小和计算量。
剪枝的过程如下：a. 计算每个神经元对最终输出的贡献。
b. 删除对最终输出贡献较小的神经元。
c. 更新剩余神经元之间的权重。
二、RKNN算法的步骤RKNN算法的步骤如下：1. 模型训练首先，我们需要使用深度学习框架（如TensorFlow、PyTorch）训练一个大型的深度学习模型。
该模型通常包含数百万个参数和大量的神经元。
2. 量化接下来，我们使用量化技术将模型的权重和激活值从32位或64位的浮点数量化为8位或16位的定点数或整数。
这将大幅减少模型的大小和计算量。
3. 剪枝然后，我们使用剪枝技术删除模型中不必要的权重和神经元。
这将再次减少模型的大小和计算量。
4. 生成RKNN模型最后，我们使用RKNN工具（如Rockchip NPU SDK）将量化和剪枝后的模型转换为RKNN模型。
基于一种优化的KNN算法在室内定位中的应用研究
（ 西北 工 业 大 学 电 子 信 息 学 院 ， 陕 西 西安 ７ １ ０ ０ ７ ２ ） 摘要 ： 根 据 位 置指 纹 室 内 定位 算 法 的理 念 ，提 出 了一 种 旨在 减 小计 算 量 的 定位 方 法 ，并 将 此 方 法应 用 于 Ｋ Ｎ Ｎ 算 法 中 。以 Ｋ Ｎ Ｎ 算 法 为例 ， 理 论 上 分 析 了其 计 算 量 优 化 的 情 况 ， 并在此优化算法的基础上 ， 通 过 仿 真 比较 了 Ｋ 的 取值 、 Ａ Ｐ 节 点 的 位 置 及 数 量 对 定 位 精 度 的 影 响 。 结 果 表 明 该 算 法 不但 能 够保 证位 置 指 纹 室 内定位 的 精 度 ， 而且 还 能 有 效 的 减 小定 位 过 程 中的 计 算 量 。该 方 法 同样 可 以推 广 到 其 他 位 置 指 纹 定 位 算 法 中 ， 能在 理 论 上 解 决位 置指 纹 定 位 算 法 的 计 算 量 问题 。 关 键 词 ：室 内定 位 ； 位置指纹 ； 计 算量 ； Ｋ Ｎ Ｎ
ｅ ｘ ａ ｍｐ ｌ ｅ ，ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ｔ ｈ ｅ ｃ ｏ ｍｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｔ ｙ ｔ ｈ ｅ ｏ ｒ ｅ ｔ ｉ ｃ ａ ｌ ｌ ｙ，ａ ｎ ｄ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｔ ｈ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ Ｋ，ｔ ｈ ｅ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｎ ｕ ｍｂ ｅ ｒ ｏ ｆ ＡＰ ｏ ｎ ｔ ｈ ｅ ｉ ｎ ｌ ｆ ｕ ｅ ｎ ｃ ｅ ｔ ｏ ｔ ｈ ｅ ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｏ ｆ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｇ ｂ ｙ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｎ ｇ ｏ ｎ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｃ ｏ ｆ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ． Ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｂ ｅ ｔ ｔ ｅ ｒ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｐ ｅ ｒ ｆ ｏ ｒ ｍａ ｎ ｃ ｅ ｃ ａ ｎ ｂ ｅ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｃ ｏ ｍｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｔ ｙ ｉ ｓ ｒ ｅ ｄ ｕ ｃ ｅ ｄ ｂ ｙ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ Ｋ ＮＮ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ，ａ ｎ ｄ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｉ ｓ ａ ｌ ｓ ｏ ｓ ｕ ｉ ｔ ａ ｂ ｌ ｅ ｏｒ ｆ ｏ ｔ ｈ ｅ ｒ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｓ ｙ ｓ ｔ ｅ ｍｓ ｔ ｏ ｒ ｅ ｄ ｕ ｃ ｅ ｔ ｈ ｅ ｃ ｏ ｍｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｔ ｙ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： ｉ ｎ ｄ ｏ ｏ ｒ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ； ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｆ ｎ ｇ ｅ ｒ ｐ ｒ ｉ ｎ ｔ ；ｃ ｏ ｍｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ；ＫＮＮ
基于k-means聚类的农机服务站选址技术
问题进行探究，Doerner K F[6] 考虑海啸对海滨学校选址的影
决策变量的定义如下：
响，Jossef Perl[7] 则提出了在对该类设施进行选址时应当考虑 弹性需求。王晓慧 [8] 从理论出发，将公共设施选址问题的原 则归纳效率、公平与供需相等原则。陈鸿则 [9] 从实际出发， 对六安市消防站进行研究，考虑满足有效响应时间的情况下 进行建模。吴建军 [10] 则结合 GIS 等功能，对空间的可达性进
1, 农田i被农机站j服务
yij = 0，否则
Eij
=
dij -R,dij > 0，否则
R
（1） （2）
行分析，对河南省兰考县的农村医疗设施选址进行评价。 1 考虑距离要素的农机服务站选址模型构建 １．１ 农机服务站选址依据特点 本文主要着眼于农机服务站 与农田之间的联系，以便农机服务站在农机作业中跨区调度、 农机修理等工作进行合理安排。
摘 要 农机服务站作为农村社会化服务体系的重要部门，是连接国家与农民的重要纽带。鉴于我国农村耕地散布的情况，运用
K-means 算法进行聚类分析，在考虑农机服务站与农田距离成本的基础上，构造了基层农机服务站选址问题的数学模型，以实际地块
为模型，从行政区划分、自选多个站与全覆盖等多角度出发，对不同的结果进行分析。 关键词 农机服务站；选址问题；K-means 算法
基金项目：互联网 + 农机服务体系建设研究（项目编号为 201903）。
JIANGXI AGRICULTURE 109
农业资讯 农业信息
NONGYEZIXUN
约束（7）约束建设的农机站点共 P 处。约束（8）、（9）为 上文已介绍的决策变量约束。 2 数值分析 ２．１ 农机服务站选址问题数据准备 通过对江苏北部某地区 的农田与农机站的分布进行实例研究，将 20 个行政区划分按 其轮廓大致描绘为一个 100 单位 ×80 单位的矩形范围，均由 线条隔开，如图 1 所示。在计算过程中，主要是将对行政区 的划分和对是否自选农机服务站点的情况进行成本辨析，并 在最后以全覆盖为目标进行求解。其中，需求点、现有农机服 务站点、备选农机服务站点的坐标均为 (x,y)，距离的测量使用 的是欧式距离公式 dij = ( X i − X j )2 + ( yi − y j )2 所得的距离。
基于RKNN的选址算法及其应用研究
基于RKNN的选址算法及其应用研究XU Jing-ke;SUN Huan-liang;LIU Tian-bo;YU Ge【期刊名称】《计算机应用研究》【年(卷),期】2014(031)003【摘要】This paper proposed a location algorithm based on RKNN withthe query for the influence of a spatial location in order to make the best use of all infrastructures.Subjecting to an object can make contribution to multiple locations，it proposed a new measu%为了使各个设施的整体利用效果最佳，结合空间位置影响力查询技术，提出了基于RKNN的选址算法。
针对空间对象对空间位置的贡献具有多重性，建立了一种新的空间位置影响力的度量模型，该模型更加符合实际应用情况；然后，利用该模型计算选址方案中各个设施的影响力，并引入均衡系数评价选址方案的合理性，均衡系数越小，方案越合理。
实际应用表明基于RKNN的选址算法使村镇基础设施的选址更加合理、有效。
【总页数】4页(P789-791,795)【作者】XU Jing-ke;SUN Huan-liang;LIU Tian-bo;YU Ge【作者单位】School of Information Science & Engineering，Northeastern University，Shenyang 110819，China;School of Information & Control Engineering，Shenyang Jianzhu University，Shenyang 110168，China;School of Information & Control Engineering，Shenyang Jianzhu University，Shenyang 110168，China;School of Information & Control Engineering，Shenyang Jianzhu University，Shenyang 110168，China;School of Information Science & Engineering，Northeastern University，Shenyang 110819，China【正文语种】中文【中图分类】TP311【相关文献】1.基于SVD矩阵分解技术和RkNN算法的协同过滤推荐算法 [J], 刘洋2.基于RkNN的村镇基础设施选址分析系统 [J], 许景科;于戈;孙焕良;刘小溪3.基于RkNN的空间位置影响力评价与查询算法 [J], 许景科;孙焕良;王永会;宋晓宇4.商贸服务业选址决策研究——一种基于阿德兰启发式算法的选址方法 [J], 王芳;施国洪5.基于Pareto多目标遗传算法的公共服务设施优化选址研究——以深圳市医院选址为例 [J], 刘萌伟;黎夏因版权原因，仅展示原文概要，查看原文内容请购买。
基于RkNN的村镇基础设施选址分析系统
基于RkNN的村镇基础设施选址分析系统许景科;于戈;孙焕良;刘小溪【期刊名称】《计算机研究与发展》【年(卷),期】2013(050)0z1【摘要】设施选址问题是解决如何使各个设施能够为客户需求提供最好的服务,可以利用空间位置影响力查询空间技术实现.空间位置的影响力指其对周围空间对象的影响程度,现有的空间位置影响力度量方法只是计算所属区域中的空间对象的个数.但是,空间对象可对多个空间位置产生贡献.因此,提出了一种新的空间位置影响力的度量模型,根据空间对象与空间位置的距离确定影响力权重,使其更加符合实际应用情况;并提出了基于RkNN的选址算法,利用新度量模型计算选址方案中各设施的影响力,进而引入均衡系数评价选址方案的合理性,均衡系数越小,方案越合理.开发了村镇基础设施选址分析系统,本系统实际应用表明基于RkNN的选址算法使村镇基础设施的选址更加合理、有效,为新农村基础设施科学选址、合理建设提供了依据和技术支持.【总页数】5页(P426-430)【作者】许景科;于戈;孙焕良;刘小溪【作者单位】东北大学信息科学与工程学院沈阳 110819;沈阳建筑大学信息与控制工程学院沈阳110168;东北大学信息科学与工程学院沈阳 110819;沈阳建筑大学信息与控制工程学院沈阳110168;电子科技大学电子工程学院成都611731【正文语种】中文【中图分类】TP391【相关文献】1.基于聚类的基础设施选址方案研究及应用 [J], 孟玉;伍岳庆;姚宇;金凤云2.基于聚类的基础设施选址方案研究及应用 [J], 孟玉;伍岳庆;姚宇;金凤云3.基于生态系统服务的寒地村镇\r绿色基础设施保护策略 [J], LI Tingting;WU Yuanxiang;WU Bing4.村镇基础设施项目建设的监督绩效内涵研究——基于IAD框架分析 [J], 沈伶佳;岳一博;李德智;李启明5.基于空间与技术异质性的能源基础设施选址决策 [J], 葛世龙;黄东梅;吴其阳;于可巧因版权原因，仅展示原文概要，查看原文内容请购买。
99%利用率的rknn模型
99%利用率的rknn模型
摘要：
1.RKNN 模型的概述
2.RKNN 模型的利用率
3.RKNN 模型的实际应用
4.RKNN 模型的优缺点
正文：
RKNN，全称为“R-tree K-Nearest Neighbors”，即R 树K 近邻算法，是一种基于R 树的数据挖掘算法。
该算法通过构建一棵R 树，将数据集中的点按照其密度分布在树中，然后根据树的结构，找到距离查询点最近的K 个邻居点。
RKNN 模型的利用率极高，可以达到99%。
这是因为RKNN 模型在构建R 树的过程中，充分利用了数据集的特性，将数据集中的点按照其密度分布在树中。
这样，在查询过程中，RKNN 模型可以直接通过R 树找到距离查询点最近的邻居点，大大提高了查询效率。
RKNN 模型在实际应用中，主要应用于数据挖掘、机器学习、信息检索等领域。
例如，在数据挖掘中，RKNN 模型可以用于分类和聚类分析；在机器学习中，RKNN 模型可以用于模型训练和预测；在信息检索中，RKNN 模型可以用于文档相似度和信息检索。
RKNN 模型虽然有很多优点，但也存在一些缺点。
首先，RKNN 模型在构建R 树的过程中，需要计算大量的距离和密度，导致其计算复杂度较高；
其次，RKNN 模型对于大规模的数据集，其性能可能会有所下降。
总的来说，RKNN 模型是一种高效、准确的数据挖掘算法，其99% 的利用率使得其在实际应用中具有很大的优势。
99%利用率的rknn模型
99%利用率的rknn模型摘要：一、简介1.RKNN模型简介2.99%利用率的重要性二、RKNN模型的优势1.高效运行2.低内存占用3.优秀的推理性能三、RKNN模型在实际应用中的表现1.图像识别2.语音识别3.自然语言处理四、RKNN模型的发展前景1.与其他模型的结合2.在更多领域的应用3.对我国人工智能产业的影响正文：一、简介RKNN模型，全称为Rockchip NN，是一种高效的神经网络模型。
其最大的特点在于，可以实现99%的利用率，这在现有的神经网络模型中是相当高的。
利用率的高低直接关系到模型在实际运行中的性能，因此，99%的利用率意味着RKNN模型具有很高的性能。
二、RKNN模型的优势1.高效运行：RKNN模型在运行时，可以最大程度地利用硬件资源，从而提高运行效率。
这对于需要在有限的硬件资源下运行复杂任务的应用来说，是非常重要的。
2.低内存占用：RKNN模型在运行时，只占用极少的内存资源。
这对于那些内存资源有限制的设备来说，是非常有利的。
3.优秀的推理性能：RKNN模型在推理过程中，表现出了优秀的性能。
它可以在短时间内完成大量的计算任务，从而提高整体的推理速度。
三、RKNN模型在实际应用中的表现1.图像识别：RKNN模型在图像识别领域表现出色，可以实现高精度的图像识别，这对于需要对大量图像进行识别的应用来说，是非常有利的。
2.语音识别：RKNN模型在语音识别领域也表现出了优秀的性能，可以实现高精度的语音识别，这对于需要对大量语音数据进行处理的应用来说，是非常重要的。
3.自然语言处理：RKNN模型在自然语言处理领域也有很好的表现，可以实现对自然语言的高精度处理，这对于需要处理大量自然语言数据的应用来说，是非常有利的。
四、RKNN模型的发展前景1.与其他模型的结合：RKNN模型可以与其他类型的模型结合，形成更加强大的模型，从而提高模型的性能。
2.在更多领域的应用：随着RKNN模型的性能被更多的人所了解，它将在更多的领域得到应用，从而推动我国人工智能产业的发展。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，Ｎ ｏ ｒ ｔ ｈ ｅ ａ ｓ ｔ ｅ ｒ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ １ １ ０ ８ １ ９ ，Ｃ ｈ ｉ ｎ ａ；２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ＆ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ Ｅ ｎ — ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ｊ ｉ ａ ｎ ｚ ｈ ｕ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ １ １ ０ １ ６ ８，Ｃ ｈ ｉ ｎ ａ ）
第３ １卷 第 ３期 ２ ０ １ ４ Nhomakorabea ３月
计 算 机 应 用 研 究
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ Ｃ ￣ ｍｐ ｕ ｔ ｅ ｒ ｓ
Ｖ０ １ ． ３ １ Ｎｏ ． ３
Ｍａ ｒ ．２ ０ １ ４
基于 Ｒ Ｋ Ｎ Ｎ的选 址 算 法 及 其 应 用研 究 术
许景科 ，孙焕 良 ，刘天波 ，于
摘
戈
（ １ ． 东北 大学 信 息科 学与 工程 学院 ，沈 阳 １ １ ０ ８ １ ９ ； ２ ． 沈 阳建 筑大 学 信 息与控 制工程 学 院 ，沈 阳 １ １ ０ １ ６ ８ ） 要 ：为 了 使 各 个设施 的整 体利 用效果 最佳 ， 结合 空间位 置影响 力查 询技 术 ， 提 出 了基 于 Ｒ Ｋ Ｎ Ｎ的选 址 算法 。
针对空间对象对空间位置的贡献具有多重性， 建立了一种新的空间位置影响力的度量模型 ， 该模型更加符合实 际应用情况 ； 然后 ， 利用该模型计算选址方案中各个设施的影响力， 并引入均衡 系数评价选址方案 的合理性 ， 均
衡 系数越 小 ， 方案 越合 理 。实 际应 用表 明基 于 Ｒ Ｋ Ｎ Ｎ的选址 算法使 村镇 基础设 施 的选址 更加合 理 、 有效 。
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＲＫ ＮＮ ｗｉ ｔ ｈ ｔ ｈ ｅ ｑ ｕ ｅ ｒ ｙ ｆ ｏ ｒ ｔ ｈ ｅ ｉ ｎ ｌ ｆ ｕ ｅ ｎ ｃ ｅ ｏ ｆ ａ ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｎ
ａ ｎ ｅ ｗ ｍｅ ａ ｓ ｕ ｒ ｅ ｏｒ ｆ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｎ ｌ ｆ ｕ ｅ ｎ ｃ ｅ ｏ ｆ ｓ ｐ ａ ｔ ｉ ａ ｌ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ， ｗｈ ｉ ｃ ｈ ｍｅ ｔ ｔ ｈ ｅ ａ ｃ ｔ ｕ ａ ｌ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ． Ｉ ｔ ｕ ｓ ｅ ｄ ｔ ｈ ｅ ｎ ｅ ｗ ｍｅ ａ ｓ ｕ ｒ ｅ ｔ ｏ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｔ ｈ ｅ ｉ ｎ ｌ ｆ ｕ ｅ ｎ ｃ ｅ ｏ ｆ ｔ ｈ ｅ ｖ ｉ ｌ ｌ ａ ｇ ｅ ｉ ｎ ｆ ｒ ａ ｓ ｔ ｕｃ ｒ ｔ ｕ ｒ ｅ ． Ｉ ｎ ｔ ｈ ｅ ｅ ｎ ｄ， ｉ ｔ ｕ ｓ ｅ ｄ ｂ ａ ｌ ａ ｎ ｃ ｅ ｄ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｔ ｏ ｅ ｖ ａ ｌ ｕ ａ ｔ ｅ ｔ ｈ ｅ ｒ ｅ ａ ｓ ｏ ｎ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ ｔ ｈ ｅ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ．Ｔ ｈ ｅ ｓ ｍａ ｌ ｌ ｅ ｒ ｔ ｈ ｅ ｂ ａ ｌ ａ ｎ ｃ ｅ ｄ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｉ ｓ ，ｔ ｈ ｅ ｍｏ ｒ ｅ ｒ ｅ ａ ｓ ｏ ｎ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｔ ｈ ｅ ｐ ｒ ｏ ｇ ｒ ａ ｍ ｉ ｓ ． Ｔ ｈ ｅ ａ ｃ ｔ ｕ ａ ｌ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ｈ ｏ ｗｓ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＲＫＮＮ ｍａ ｋ ｅ ｓ ｔ ｈ ｅ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｍｏ ｒ ｅ ｒ ｅ ａ ｓ ｏ ｎ ａ ｂ ｌ ｅ ａ ｎ ｄ ａ ｖ ａ ｉ ｌ ａ ｂ ｌ ｅ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｉ ｎ ｆ ｒ ａ ｓ ｔ ｕｃ ｒ ｔ ｕ ｒ ｅ ；ｌ ｏ ｃ ａ ｉ ｔ ｏ ｎ； ｉ ｎ ｌ ｆ ｕ ｅ ｎ ｃ ｅ ；ｒ ｅ ｖ ｅ ｒ ｓ ｅ Ｋ— ｎ ｅ ａ ｒ ｅ ｓ ｔ ｎ ｅ ｌ ’ ｇ ｈ ｂ ｏ ｒ
关键 词 ：基础 设施 ；选 址 ；影 响力 ；反 Ｋ最 近邻 中图分类 号 ：Ｔ Ｐ ３ １ １ 文献标 志码 ：Ａ 文章 编号 ：１ ０ ０ １ — ３ ６ ９ ５ （ ２ ０ １ ４） ０ ３ — ０ ７ ８ ９ — ０ ３
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ — ３ ６ ９ ５ ． ２ ０ １ ４ ． ０ ３ ． ０ ３ ６
Ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＲＫＮＮ ａ ｎ ｄ ｉ ｔ ｓ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ
ＸＵ Ｊ ｉ ｎ ｇ — ｋ ｅ ，Ｓ ＵＮ Ｈｕ ａ ｎ — ｌ ｉ ａ ｎ ｇ ，Ｌ Ｉ Ｕ Ｔ ｉ ａ ｎ — ｂ ｏ ， ＹＵ Ｇｅ
ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｍａ ｋ ｅ ｔ ｈ ｅ ｂ ｅ ｓ ｔ ｕ ｓ ｅ ｏ ｆ ａ Ｕ ｉ ｎ ｆ ｒ ａ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ． Ｓ ｕ ｂ ｊ ｅ ｃ ｔ ｉ ｎ ｇ ｔ ｏ ａ ｎ ｏ ｂ ｊ ｅ ｃ ｔ ｃ ａ ｎ ｍ ａ ｋ ｅ ｃ ｏ ｎ ｔ ｉ ｒ ｂ ｕ ｔ ｉ ｏ ｎ ｔ ｏ ｍ ｕ ｌ ｔ ｉ ｐ ｌ ｅ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｓ ． ｉ ｔ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ