zoukankan      html  css  js  c++  java
  • 各种距离

     1. 欧几里得距离

     给定空间中两个点(x1,y1),(x2,y2);它们之间的欧几里得距离公式为:((x1-x2)2+(y1-y2)2)1/2,即两个点之间的直线距离。本质是向量的2-范数。

    2. 曼哈顿距离

    给定空间中两个点(x1,y1),(x2,y2);它们之间的曼哈顿距离公式为:|x1-x2|+|y1-y2|,即两个点之间的水平距离绝对值加上垂直距离的绝对值。本质是向量的1-范数。

    在平面上,从原点O引出八条射线,相邻两射线角度均为45度,则将整个平面划分成8块区域,对于每一块区域内的点B(x1,y1),C(x2,y2)满足:

    若|OB| < |OC|,则|BC| < |OC|(曼哈顿距离),即连接O、B、C三点的最短曼哈顿树为O->B->C。

    证明如下:

    3. 切比雪夫距离

     给定空间中两个点(x1,y1),(x2,y2);它们之间的切比雪夫距离公式为:max(|x1-x2|, |y1-y2|),即两点之间横纵坐标距离绝对值的最大值。本质是向量的∞-范数。

    [联系]

     如下图所示,矩形EFGH是到原点曼哈顿距离为2的点的集合,矩形ABCD是到原点切比雪夫距离为2的点的集合。

     

    4. 闵可夫斯基距离

     给定空间中两个点(x1,y1),(x2,y2);它们之间的闵可夫斯基距离公式为:((x1-x2)p+(y1-y2)p)1/p。本质是向量的范数,p取不同的值时对应不同的p-范数。

  • 相关阅读:
    面向使用的软件设计随笔13
    面向使用的软件设计随笔12
    面向使用的软件设计随笔11
    面向使用的软件设计随笔10
    面向使用的软件设计随笔09
    面向使用的软件设计随笔08
    面向使用的软件设计随笔07
    Tensorflow入门----占位符、常量和Session
    关于卷积
    tensorflow学习笔记
  • 原文地址:https://www.cnblogs.com/BlueHeart0621/p/10854391.html
Copyright © 2011-2022 走看看