矩阵分析与应用-10-向量的相似度

最新推荐文章于 2023-09-13 16:40:11 发布

Xiao__fly

最新推荐文章于 2023-09-13 16:40:11 发布

阅读量272

点赞数

文章标签：矩阵算法 python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Xiao__fly/article/details/125857423

版权

向量的相似度

考虑M个类型的模式，它们分别记作 $w_1,w_2,...,w_M$ ，编号随意。假定通过已知类型属性的观测样本，业已抽取出M个样本模式向量 $s_1,s_2,...,s_M$ 。给定一任意的未知模式向量 $x$ ，希望判断它归属于哪一类模式。这个问题称为模式分类，它是模式识别的基本问题之一。模式分类的基本思想是将未知模式向量 $x$ 同M个样本模式向量进行比对，看 $x$ 与哪一个样本模式向量最相似，并据此作出模式分类的判断。

假定 $(x,s_1),(x,s_2),...,(x,s_M)$ 分别作为术知模式向量 $x$ 和已知样本模式向量 $s_1,s_2,...,s_M$ 之间的相似关系的符号。以 $x$ 与 $s_1,s_2$ 的相似关系为例，若

$(x,s_1)\leq(x,s_2)$

则称未知模式向量 $x$ 与样本模式向量 $s_1$ 更相似。

相似度(similarity)或相异度(dissirmilarity )：

最简单和最直观的相似度是两个向量之间的Euclidean距离。

未知模式向量 $x$ 与第主个原象模式向量 $s_i$ 之间的 Euclidean距离记作 $D(s_i,x)$ ，定义为

$D(s_i,x) = ||x-s_i||_2=\sqrt{(x-s_i)^T(x-s_i)}$

Mahalanobis距离

令

$m=\frac{1}{N}\sum_{k=1}^Ns_i$

代表N个样本模式向量的均值向量。

再令

$C=\frac{1}{N}\sum_{i=1}^N(s_i-m)(s_i-m)^T$

表示N个样本模式向量的协方差矩阵。

从未知模式向量 $x$ 到均值向量 $m$ 之间的Mahalanobis 距离定义为

$D(m,x)=(x-m)^TC(x-m)$

从第主个样本模式向量 $s_i$ 到均值向量 $m$ 的 Mahalanobis 距离定义为

$D(m,s_i)=(s_i-m)^TC(s_i-m)$

根据近邻分类法，将未知模式向量 $x$ 归为满足

$D(s_i,x)=\min |D(s_k,x)-D(m,x)|,k-1,2,..,N$

的近邻 $s_i$ 所属的模式类型。

两个向量之间的相似度的测度不一定局限于距离函数。两个向量的夹角的余弦函数

$S(s_i,x)=\cos (\theta_i)=\frac{x^Ts_i}{||x||_2||s_i||_2}$

若 $\cos (\theta _i) <\cos (\theta _j)$ , $\forall j \neq i$ 成立，则认为未知模式向量 $x$ 与样本模式向量 $s_i$ 最相似。上式的变型

$S(s_I,x)=\frac{x^Ts_i}{x^Tx+s_i^Ts_i+x^Ts_i}$

称为Tanirnoto测度。

待分类的信号称为目标信号，分类通常是根据菜种物理或几何概念进行的。令X为目标信号， $A_i$ 代表第i类目标的分类概念。于是，可以有这种的关系:

$(X,A_i)\leq (X,A_j),\forall i,j$

这类有效关系一般用目标–概念距离(object-concept distance) $D(X,A_i)$ 描述420。因此,若日标–概念距离 $D(X,A_i)$ 最小，则将X归为第i类目标 $C_i$ ;。

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
矩阵分析与应用-10-向量的相似度

矩阵分析与应用-10-向量的相似度
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。