问题标签 [euclidean-distance]

我有一个关于向量和矩阵的小问题。

假设一个向量 V = {v1, v2, ..., vn}。我生成一个 n×n 距离矩阵 M，定义为：

M_ij = | v_i - v_j | 使得 i,j 属于 [1, n]。

即方阵中的每个元素 M_ij 是 V 中两个元素的绝对距离。

例如，我有一个向量 V = {1, 3, 3, 5}，距离矩阵将为 M=[ 0 2 2 4; 2 0 0 2; 2 0 0 2; 4 2 2 0；]

看起来很简单。现在问题来了。给定这样一个矩阵M，如何得到初始V？

谢谢你。

根据这个问题的一些答案，答案似乎不是唯一的。所以，现在假设所有的初始向量都被归一化为 0 均值和 1 方差。问题是：给定这样一个对称的距离矩阵M，如何确定初始归一化向量？

我有一个 n 维点的集合，我想找到最接近的 2 个。我能想到的最好的二维是：

这使

但这对于大型阵列来说太慢了。我可以对其应用什么样的优化？

有关的：

两个不同 Numpy 数组中的点之间的欧几里德距离，不在

似乎这个问题的答案应该很简单，但我很难过。我有一个 Nx3 矩阵的矩阵，其中第 2 列和第 3 列是第 n 项的 XY 和 Z 坐标。我想计算从原点到项目的距离。在非矢量化形式中，这很容易。

距离=规范（[xyz]）；

或者

距离 = sqrt(x^2+y^2+z^2);

但是，在矢量化形式中，它并不是那么简单。当您将矩阵传递给 norm 时，它不再返回欧几里得长度。

距离 = 范数（矩阵）；% 不起作用

和

距离 = sqrt(x(:,1).*x(:,1)+y(:,2).*y(:,2)+z(:,3).*z(:,3)); %只是看起来很乱

有一个更好的方法吗？

当我给他一个加权图并且顶点之间的边权重指向顶点之间的距离时，是否有一种算法可以给我图中顶点的坐标？

就像是：

SIFT 特征匹配是通过基于欧几里德距离的最近邻方法完成的。有人可以解释一下吗？有计算吗？如果那么有人可以帮我计算我的 SIFT 特征向量的欧几里得距离吗？我想保存计算出的欧几里得距离，以便为神经网络提供更多特征，如图像的圆度和颜色。

我在理解欧几里得距离时遇到了一些问题。我有两个不同的实体，我想测量这些实体之间的相似性。

假设实体 A 有 2 个特征向量，实体 B 只有 1 个特征向量。为了知道相似性，我应该如何计算这两个实体之间的欧几里得距离？

非常感谢。

我有 m 个地方（x，y 坐标）。

我有 n 个请求寻找到给定点 P(x,y) 的最近位置；（最小欧几里得距离）

我如何在 O(n*m) 以下解决这个问题，其中 n 是请求数，m 是位置数？我可以使用平方欧几里得距离，但它仍然是 n*m。

以下循环运行时间太长（2 分钟/迭代）tumor_signals 大小为 950000x422 normal_signals 大小为 950000x772 有关如何加快它的任何想法？

L*a*b*是最好的方法，但是转换成它很复杂，而且我很懒。通过直接在sRGB上操作，我放弃了多少精度？

我正在尝试画一些圆圈，我有点希望它们会与一些点相交，唉......

上面的代码执行以下操作：

• 创建 10 个随机点并选择一个（第一个）点作为“锚点”。
• 计算从锚点到所有其他点的距离。这将是我们的“半径”
• 使用上面计算的半径距离围绕锚点绘制圆圈。
• 从头开始为什么圆不与用于计算半径的点相交。