相似度计算方法-汉明距离 (Hamming Distance)

xy2006860

于 2024-08-15 10:49:58 发布

阅读量540

点赞数 16

文章标签： java 算法

本文链接：https://blog.csdn.net/xy2006860/article/details/141215580

版权

定义

汉明距离（Hamming distance）是一种衡量两个等长字符串或整数位表示之间的差异的方法。它定义为对应位置的不同符号的个数。汉明距离通常用于编码理论、密码学、信息论和计算机科学中的多个领域。

公式

对于两个等长的字符串或两个整数的二进制表示，汉明距离是对应位置上不同字符或位的数目。

对于两个等长的字符串 $\mathbf{S_1}=(s_{11},s_{12},\dots,s_{1n})$ 和 $\mathbf{S_2}=(s_{21},s_{22},\ldots,s_{2n})$ ：

$d_{\mathbf{H}}(\mathbf S_1,\mathbf S_2)= \sum_{i=1}^{n}1_{s_{1i}\neq s_{2i}}$

对于两个整数 $\mathbf A$ 和 $\mathbf B$ 的二进制表示：

$d_H(\mathbf A,\mathbf B)=\text{popcount}(\mathbf A\oplus \mathbf B)$

其中 $1_{s_{1i}\neq s_{2i}}$ 是指示函数，当 $s_{1i}\neq s_{2i}$ 时返回 1，否则返回 0； $\text{popcount}(\mathbf X)$ 表示 $\mathbf X$ 的二进制表示中 1 的个数； $\bigoplus$ 表示按位异或操作。

代码实现

string：

public class HammingDistanceString {

    public static void main(String[] args) {
        String str1 = "karolin";
        String str2 = "kathrin";

        int distance = calculateHammingDistance(str1, str2);
        System.out.printf("The Hamming distance between '%s' and '%s' is: %d\n", str1, str2, distance);
    }

    /**
     * 计算两个字符串之间的汉明距离。
     *
     * @param s1 第一个字符串
     * @param s2 第二个字符串
     * @return 两个字符串之间的汉明距离
     */
    public static int calculateHammingDistance(String s1, String s2) {
        if (s1.length() != s2.length()) {
            throw new IllegalArgumentException("Strings must have the same length.");
        }

        int distance = 0;
        for (int i = 0; i < s1.length(); i++) {
            if (s1.charAt(i) != s2.charAt(i)) {
                distance++;
            }
        }
        return distance;
    }
}

int：

public class HammingDistanceInt {

    public static void main(String[] args) {
        int num1 = 0b101010;
        int num2 = 0b111000;

        int distance = calculateHammingDistance(num1, num2);
        System.out.printf("The Hamming distance between %d and %d is: %d\n", num1, num2, distance);
    }

    /**
     * 计算两个整数之间的汉明距离。
     *
     * @param n1 第一个整数
     * @param n2 第二个整数
     * @return 两个整数之间的汉明距离
     */
    public static int calculateHammingDistance(int n1, int n2) {
        int xorResult = n1 ^ n2;
        int distance = 0;
        while (xorResult != 0) {
            distance += xorResult & 1;
            xorResult >>>= 1;
        }
        return distance;
    }
}

优劣势

优势

概念简单直观：
- 汉明距离的定义简单明了，易于理解和实现。
- 对于字符串，汉明距离是指两个字符串中不同字符的数量。
- 对于整数，汉明距离是指两个整数的二进制表示中不同位的数量。
计算简便：
- 汉明距离的计算基于简单的数学公式，易于编程实现。
- 对于低维空间，计算速度较快。
适用于固定长度的数据：
- 汉明距离要求两个比较的对象必须具有相同的长度，这在很多应用场景中是合理的假设。
适用于纠错码：
- 在编码理论中，汉明距离是衡量纠错码能力的重要指标。
- 一个纠错码的最小汉明距离越大，其能够纠正的错误越多。
适用于信息安全：
- 在密码学中，汉明距离可以用于评估密钥的随机性和安全性。
- 例如，通过计算两个密钥之间的汉明距离来评估密钥的强度。

劣势

不适用于长度不同的数据：
- 汉明距离要求两个比较的对象必须具有相同的长度，这限制了它的适用范围。
- 当两个字符串或整数的长度不同，则无法直接计算汉明距离。
- 在这些情况下，可能需要使用其他度量方法，如编辑距离（Levenshtein distance）等。
不考虑数据的顺序：
- 汉明距离只关注对应位置的不同，而不考虑数据的整体顺序或相邻位置之间的变化。
- 这在某些情况下可能不足以反映数据之间的实际差异。
不适用于非二进制数据：
- 对于非二进制数据，汉明距离可能不是最佳选择。
- 例如，在处理多值或连续值数据时，可能需要考虑其他度量方法，如欧几里得距离或曼哈顿距离等。

应用场景

纠错码：
- 在通信和存储系统中，汉明距离用于设计能够纠正错误的编码方案。
- 例如，汉明码（Hamming code）是一种能够纠正单比特错误的纠错码。
生物信息学：
- 在DNA或蛋白质序列比对中，汉明距离用于比较序列之间的相似性。
- 例如，通过计算两条DNA序列之间的汉明距离来评估它们的相似度。
数据校验：
- 在数据传输过程中，汉明距离可以用于检测数据传输中的错误。
- 例如，通过比较发送数据和接收数据之间的汉明距离来检测传输错误。
信息安全：
- 在密码学中，汉明距离可以用于评估密钥的随机性和安全性。
- 例如，通过计算两个密钥之间的汉明距离来评估密钥的强度。
计算机科学：
- 在计算机科学中，汉明距离用于比较整数或字符串之间的差异。
- 例如，在位操作中，汉明距离可以用于比较两个整数的二进制表示中的不同位数。
- 文本相似性比较中一个典型的case是先算文本的SimHash，然后比较两个Hash值的汉明距离。
信号处理：
- 在信号处理中，汉明距离可以用于比较信号之间的差异。
- 例如，在数字信号处理中，汉明距离可以用于评估信号的质量。