1. 欧式距离和马氏距离公式
距离判别法：距离判别方是通过计算待测点到各个分类的距离，在根据计算出距离的大小，进行判别该待测点属于那个分类。但是距离的计算是通过马氏距离进行计算的，而不是我们平常几何中用的欧式距离。
2. 欧式距离和马氏距离的联系
1.马氏距离的计算是 建立在总体样本的基础上的 ，这一点可以从上述协方差矩阵的解释中可以得出，也就是说，如果拿同样的两个样本，放入两个不同的总体中，最后计算得出的两个样本间的马氏距离通常是不相同的，除非这两个总体的协方差矩阵碰巧相同。
2.在计算马氏距离过程中，要求 总体样本数大于样本的维数，否则得到的总体样本协方差矩阵逆矩阵不存在，这种情况下，用欧式距离计算即可。
3.还有一种情况，满足了条件总体样本数大于样本的维数，但是 协方差矩阵的逆矩阵仍然不存在 ，比如三个样本点(3,4),(5,6)和(7,8)这种情况是因为这三个样本在其所处的二维空间平面内共线。这种情况下，也采用欧式距离计算。
4.在实际应用中“总体样本数大于样本的维数”这个条件是很容易满足的，而所有样本点出现3）中所描述的情况是很少出现的，所以在绝大多数情况下，马氏距离是可以顺利计算的，但是马氏距离的计算是不稳定的，不稳定的来源是协方差矩阵，这也是马氏距离与欧式距离的最大差异之处。
优点：它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差）计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。
3. 欧式距离的公式
遗传距离指个体、群体或种之间用DNA序列或等位基因频率来估计的遗传差异大小。衡量遗传距离的指标包括用于数量性状分析的欧式距离
4. 欧式距离是马氏距离的特例吗
1.传感器融合
因为传感器有各自的优缺点，所以需要融合来扬长避短。摄像头与毫米波雷达是ADAS中最常用的传感器是。
摄像头 - 优势：目标识别能力强，可以对车辆，自行车，行人等目标进行分类。劣势：距离信息不是直接测量得到的。特别是在恶劣天气和光照环境环境下距离信息不准确。
毫米波雷达 - 优势：直接测量目标的位置和速度。受到天气及环境的影响小。劣势: 于雷达的信号较为稀疏，不便通过雷达进行目标识别。这些性质正好与摄像头形成互补。
信息融合又可分为目标级融合和信号级融合。
目标级融合: 每个传感器先各自处理原始信号生成目标。在目标的基础上进行融合。- 优势: 对控制器的算力和通信传输要求低。劣势: 是传感器在独立处理信号时会有信息丢失。
数据级融合: 在原始数据级就进行融合。- 优势：信息丢失少，精度高，劣势：对控制器的算力和通信传输要求高。
在架构设计时需要找到精度和算力分布的平衡点。
L2级别ADAS采用前视摄像头和雷达目标级融合的方案。雷达输出target信号，摄像头为类似mobileye的智能摄像头，输出track信号。
模块分为数据有效性验证，时间补偿，雷达聚类，目标匹配，新目标生成，航迹追踪，目标管理等子模块：
2.雷达聚类
毫米波雷达通过分析雷达反射的回波进行目标的定位测速。雷达底层信号处理回波通过快速傅里叶变换fft，反射点，恒虚警处理cfar，关键点。这些步骤一般在内雷达部件内部完成。
雷达输出的信号分为：target，object，track。target信号为未经过聚类的反射点。由于回波反射，特别是在旁边车辆，隧道，或者有路边栅栏的情况，回波多次反射噪音较大。一个目标也会出现多个target信号。
object为聚类之后的目标点。置信度高于object。track是object进行追踪后，带有ID，置信度最高, 但因为目标稳定追踪后才会输出，所以新目标出现会有延时。
-目标聚类
雷达target聚类得到object。雷达target先需要进行目标进行滤除。
因为不知道雷达簇的个数，并且对算法实时性要求高，一般采用基于距离或密度的聚类。如eclidean clustering和dbscan。
在簇核心的选择上可以选择反射能量大的点，或者以上次聚类的结果做为核心。在距离参数上，除了空间距欧式离外，或者采用马氏距离。雷达只能提供径向距离和速度，不
5. 马氏距离与欧式距离
欧式距离矩阵和马市距离矩阵都是对称的矩阵，他们两个从原理来说都是一样的
6. 马氏距离什么时候等于欧式距离
1、欧式距离（欧几里得距离）
欧式距离是最易理解的距离定义，即各坐标点的坐标之差的平方和相加，然后开根号。
二维平面上点 与点 之间的距离公式是：
n维空间上点 和点 之间的距离公式是：
2、曼哈顿距离
曼哈顿距离是各坐标点的坐标差值相加。
二维平面上点 与点 之间的距离公式是：
n维空间上点 和点 之间的距离公式是：
3、切比雪夫距离
切比雪夫距离是各坐标的坐标差值中的最大值。
二维平面上点 与点 之间的距离公式是：
n维空间上点 和点 之间的距离公式是：
4、闵可夫斯基距离
闵氏距离是多种距离的概括性描述。
两个n维的点 与 之间的闵式距离可以定义为：
当p 1的时候，上述公式即为曼哈顿距离；
当p 2的时候，上述公式即为欧式距离；
当的 时候，上述公式即为切比雪夫距离。
5、余弦相似度
余弦相似度用于衡量两个向量之间的相似程度，衡量的标准是两向量之间夹角的余弦值。已知向量 与向量 的内积表示为：
则可以得到余弦相似度为：
6、马氏距离
马氏距离表示的是数据的协方差距离，常用于测量未知样本集与已知样本集的相似性。它与欧氏距离的不同之处在于它考虑了数据集的相关性并且是尺度不变的。对于均值为 ，协方差矩阵为S的多变量矢量，其马氏距离为：
马氏距离也可以定义为两个服从同一分布并且其协方差矩阵为S的随机变量 与 的差异程度：
如果协方差矩阵为单位矩阵，马氏距离就简化为欧式距离；如果协方差矩阵为对角阵，其也可称为正规化的马氏距离：
7、汉明距离
汉明距离是使用在数据传输差错控制编码里面的，如111000与111001的汉明距离是1，因为它有一位数不一样。
7. 欧式距离的计算公式
文化距离是指客源地与目的地之间以语言为主要特征的文化差异程度,主要包括语言方面的差异、生活习惯的差异、社会文化方面的差异等。
关于文化距离（CD）的计算方法
使用标准化欧式距离测算方法，本计算仍沿用最后步骤取均值而非开根号的计算方法。原始数据取自霍夫斯泰德文化维度数据库网站，具体包括权力距离、不确定性规避程度、个人主义倾向、社会男性气质程度、经济目标长期取向程度、社会成员自身放纵程度 6个维度。
8. 马氏距离公式怎么用
选择好一个因变量和一个自变量，然后点击Save，然后在Distance项下勾选Mahalanobis就可以了。这样，SPSS就可以为你计算马氏距离（Mahalanobis）。
计算出的马氏距离以MAH_1的变量名（变量标签是Mahalanobis Distance）保存在你的数据文件的最后一列中。
- 相关评论
- 我要评论
-
