法兰

如果您的数据确实位于高维空间中，则可以使用FLANN。

实际上，它会构建许多旋转的kd树并每棵树（一点点）进行查询，从而保持最佳结果。它还会轮换数据集，以免出现讨厌的情况。

在出版物部分，您可以阅读有关其工作原理的更多信息。

在获取法兰部分中，您还可以阅读手册。

但是，由于您希望在高维空间中执行最近邻搜索（NNS），因此您需要接受时间与准确性之间的权衡（时间越多，准确性越高）。这就是FLANN执行近似NNS的原因。

---

LSH

或者，我建议使用LSH算法。这是E²LSH，它实际上实现了LSH算法。该手册可在此处找到。

该算法背后的思想是，我们希望将彼此靠近的点（很有可能）放置在同一存储桶中。但是，LSH致力于解决R最近邻居问题。

通过R附近的邻居数据结构，作者可能意味着给定一个查询点q，我们可以回答以下问题：“数据集中的哪个点位于从q开始的半径R内？”。

但是，该手册说明了如何使用LSH进行NN搜索。

---

请注意，此类问题不适用于本网站。我回答了您，因为您是新用户。下次请确保您不会忘记这一点。:)