整理距离度量.pptVIP

(2)Matlab计算汉明距离 Matlab中2个向量之间的汉明距离的定义为2个向量不同的分量所占的百分比。 ? 例子：计算向量(0,0)、(1,0)、(0,2)两两间的汉明距离 X = [0 0 ; 1 0 ; 0 2]; D = pdist(X, hamming) 结果： D = ??? 0.5000??? 0.5000??? 1.0000 汉明距离 Hamming Distance (1)杰卡德距离可用如下公式表示： 杰卡德距离用两个集合中不同元素占所有元素的比例来衡量两个集合的区分度。 杰卡德距离 Jaccard Distance (2)Matlab 计算杰卡德距离 Matlab的pdist函数定义的杰卡德距离跟我这里的定义有一些差别，Matlab中将其定义为不同的维度的个数占“非全零维度”的比例。 例子：计算(1,1,0)、(1,-1,0)、(-1,1,0)两两之间的杰卡德距离 X = [1 1 0; 1 -1 0; -1 1 0] D = pdist( X , jaccard) 结果 D = 0.5000??? 0.5000??? 1.0000 杰卡德距离 Jaccard Distance (1)相关距离的定义 (2)Matlab计算(1, 2 ,3 ,4 )与( 3 ,8 ,7 ,6 )之间的相关系数与相关距离 X = [1 2 3 4 ; 3 8 7 6] C = corrcoef( X ) ??%将返回相关系数矩阵 D = pdist( X , correlation) 结果： C = ??? 1.0000??? 0.4781 ??? 0.4781??? 1.0000 D = 0.5219 ???其中0.4781就是相关系数，0.5219是相关距离。 相关距离 Correlation Distance Hausdorff距离是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式。 假设有两组集合A={a1,…,ap},B={b1,…,bq},则这两个点集合之间的Hausdorff距离定义为 H(A,B)=max(h(A,B),h(B,A)) (1) 其中, 　　h(A,B)=max（a∈A）min（b∈B）‖a-b‖ (2) 　　h(B,A)=max（b∈B）min（a∈A）‖b-a‖ (3) 　‖·‖是点集A和B点集间的距离范式(如:L2或Euclidean距离). hausdorff距离 式(1)称为双向Hausdorff距离,是Hausdorff距离的最基本形式。 式(2)中的h(A,B)和h(B,A)分别称为从A集合到B集合和从B集合到A集合的单向Hausdorff距离.即h(A,B)实际上首先对点集A中的每个点ai到距离此点ai最近的B集合中点bj之间的距离‖ai-bj‖进行排序,然后取该距离中的最大值作为h(A,B)的值.h(B,A)同理可得. 由式(1)知,双向Hausdorff距离H(A,B)是单向距离h(A,B)和h(B,A)两者中的较大者,它度量了两个点集间的最大不匹配程度. hausdorff距离 EMD(earth mover’s distanc)距离最早是来自著名的运输问题的求解,后由Rubner把EMD距离引入了图像检索中它可以求解某个特征空间中两个多维分布之间的不相似性通常单个特征之间的距离是给定的并称此距离,为地面距离。 给定两个直方图分布，一个分布h可以看成是一堆土的集合，另一个分布g可以看成是很多洞的集合，不同的土与洞之间的地面距离是不同的，从而EMD可以计算出用土来填满所有洞的最小工作量或最小代价此处单位工作量定义为运输单位土时经过单位地面距离的工作量，这样EMD可以定义为： Earth Mover’s distance 式中area表示直方图的面积，也是与该直方图相关的图像包含的像素个数。当然了，为了求解EMD，最重要的是求解最小代价。 EMD反映一种概率分布转换到另一种概率分布时，移动权值所需的最小工作量。 设di,j是第i个和第j个混合成分之间的不相似度di,j=exp(-β||μi-μj||)，Fi,j表示最优化流，β是一个正常数。那么最小工作量问题可以描述为： 其中，上述条件极值问题可以由单纯形法求解。 Earth Mover’s distance 皮尔森相关系数（Pearson Correlation Coefficient） 杰卡德相似系数（Jaccard similarity co