请举出模式识别中 KNN 的应用，并给出 MATLAB 的仿真实现

K近邻（K-Nearest Neighbors, KNN）算法是一种基于实例的学习方法，在模式识别中有广泛应用。它主要用于分类和回归任务，尤其适用于小型数据集和非线性决策边界。KNN的基本思想是，新样本的类别由其最接近的K个训练样例的类别决定。

KNN的应用场景包括但不限于：
1. 图像分类：通过比较测试图像像素值与训练集中已知类别图像的距离，确定其类别。
2. 推荐系统：用户偏好预测，如电影推荐、音乐推荐等，基于用户历史行为找到相似用户的喜好。
3. 医疗诊断：根据病人的症状与已有的病例匹配，进行疾病诊断。

在MATLAB中，实现KNN算法的步骤大致如下：

% 假设我们有一个训练数据矩阵X_train和对应的标签y_train

function [predicted_class] = knn_classification(X_test, X_train, y_train, k)
    % 计算测试点到训练点的所有距离
    distances = pdist2(X_test, X_train);
    
    % 找到每个测试点最近的k个邻居的索引
    [~, indices] = sort(distances, 'descend');
    
    % 根据邻居的标签进行多数投票
    votes = accumarray(indices(1:k,:), y_train(indices), [], @(x) mode(x));
    predicted_class = mode(votes);
end

% 使用示例
X_test = ...;  % 测试样本特征
[k, predicted_labels] = knn_classification(X_test, X_train, y_train, 5); % k=5表示取最近5个邻居