已知有N个对象，每个对象包含x和y两个特征属性的数据库，c为它的类别属性，设计一个k=5时的KNN算法。

下面是一个基本的k=5时的KNN算法的伪代码：

1. 输入：一个包含N个对象的数据库，每个对象有两个特征属性x和y以及类别属性c；待预测对象的特征属性x_pred和y_pred。
2. 计算测试对象与数据库中每个对象的距离，可以使用欧几里得距离：

   distance = sqrt((x - x_pred)^2 + (y - y_pred)^2)

3. 对距离进行排序，选择前k个最近的对象。
4. 统计前k个对象中类别属性c出现的频率，选择出现频率最高的类别作为预测结果。
5. 输出预测结果。

下面是一个Python实现示例：

import math
from collections import Counter

def knn(data, x_pred, y_pred, k=5):
    distances = []
    for x, y, c in data:
        distance = math.sqrt((x - x_pred) ** 2 + (y - y_pred) ** 2)
        distances.append((distance, c))
    distances.sort()
    top_k = [c for _, c in distances[:k]]
    prediction = Counter(top_k).most_common(1)[0][0]
    return prediction

其中，`data`是一个包含N个对象的列表，每个对象是一个元组，包含两个特征属性x和y以及一个类别属性c。`x_pred`和`y_pred`是待预测对象的特征属性。`k`表示KNN算法中的k值，这里默认为5。

例如，可以用下面的代码调用这个函数：

data = [(1, 2, 'A'), (2, 3, 'B'), (3, 1, 'A'), (4, 2, 'B'), (5, 4, 'B')]
prediction = knn(data, 4, 3)
print(prediction)

输出结果为：

B

说明对于特征属性x=4，y=3的对象，KNN算法预测它的类别为B。