范数的概念-Norm
来源:互联网 发布:赛诺数据是什么 编辑:程序博客网 时间:2024/05/22 03:28
1 范数-Norm- the concept
向量的范数可以简单形象的理解为向量的长度,或者向量到零点的距离,或者相应的两个点之间的距离。
向量的范数定义:向量的范数是一个函数||x||, 满足:
非负性||x|| >= 0,齐次性||cx|| = |c| ||x|| ,三角不等式||x+y|| <= ||x|| + ||y||。
常用的向量的范数:L1范数: ||x|| 为x向量各个元素绝对值之和。
L2范数: ||x||为x向量各个元素平方和的1/2次方,L2范数又称Euclidean范数或者Frobenius范数
Lp范数: ||x||为x向量各个元素绝对值p次方和的1/p次方
L∞范数: ||x||为x向量各个元素绝对值最大那个元素的绝对值,如下:
椭球向量范数: ||x||A = sqrt[T(x)Ax], T(x)代表x的转置。定义矩阵C 为M个模式向量的协方差矩阵, 设C’是其逆矩阵,则Mahalanobis距离定义为||x||C’ = sqrt[T(x)C’x], 这是一个关于C’的椭球向量范数。
2 距离-Distance-Concept
也可以用表示成向量运算的形式:
曼哈顿距离:曼哈顿距离对应L1-范数,也就是在欧几里得空间的固定直角坐标系上两点所形成的线段对轴产生的投影的距离总和。例如在平面上,坐标(x1, y1)的点P1与坐标(x2, y2)的点P2的曼哈顿距离为:,要注意的是,曼哈顿距离依赖座标系统的转度,而非系统在座标轴上的平移或映射。
切比雪夫距离,若二个向量或二个点x1和x2,其坐标分别为(x11, x12, x13, ... , x1n)和(x21, x22, x23, ... , x2n),则二者的切比雪夫距离为:d = max(|x1i - x2i|),i从1到n。对应L∞范数。
闵可夫斯基距离(Minkowski Distance),闵氏距离不是一种距离,而是一组距离的定义。对应Lp范数,p为参数。
闵氏距离的定义:两个n维变量(或者两个n维空间点)x1(x11,x12,…,x1n)与 x2(x21,x22,…,x2n)间的闵可夫斯基距离定义为:
其中p是一个变参数。
当p=1时,就是曼哈顿距离,
当p=2时,就是欧氏距离,
当p→∞时,就是切比雪夫距离,
根据变参数的不同,闵氏距离可以表示一类的距离。
Mahalanobis距离:也称作马氏距离。在近邻分类法中,常采用欧式距离和马氏距离。
参考资料:http://blog.csdn.net/v_july_v/article/details/8203674
- 范数的概念-Norm
- Norm 范数
- 范数 norm
- 范数 norm
- 范数(norm)
- norm--求矩阵和向量的范数
- Frobenius norm(弗罗贝尼乌斯范数)
- Frobenius norm(Frobenius 范数)
- Huber Norm:Huber 范数
- Frobenius norm(弗罗贝尼乌斯范数)
- norm(范数)、bsxfun()用法
- 范数(norm)
- 参数的范数正则/惩罚(parameter norm penalties)
- L0 norm、L1 norm、L2 norm(L0、L1、L2范数)
- 弗罗贝尼乌斯范数(Frobenius norm)
- 矩阵范数(martix norm)
- 弗罗贝尼乌斯范数(Frobenius norm)
- 范数规则化l1,2-norm
- Reflection Datatable To Model
- escape()、encodeURI()、encodeURIComponent()区别详解
- Drools规则引擎配置安装
- Android获取屏幕分辨率及DisplayMetrics简介
- ASP.NET读取Word文档转换为PDF文件的方法
- 范数的概念-Norm
- App Store 的评分
- windows phone 8 LongListselecotr 删除item时发生异常。
- C#.net 添加一行记录,在gridview中显示一条记录。添加多条记录,在gridview中显示多条记录
- Java上的try catch并不影响性能(转)
- mongodb文摘汇总
- Java/JS获取flash高宽
- Java用数组实现栈
- [转载]U-boot分析