1.欧氏距离 2.曼哈顿距离 3.切比雪夫距离 4.闵可夫斯基距离 5.标准化欧氏距离 6.马氏距离 7.夹角余弦 8.汉明距离 9.杰卡德距离&杰卡德相似系数

SimMetrics.Net SimMetrics是一个相似性度量库，例如，从编辑距离（Levenstein等）到其他度量（Chapman等）。 地位 AppVeyor Travis codecov.io coveralls.io NuGet 支持的框架是： .NET 2.0 .NET 3.5 .NET 4.0 .NET 4.5及更高版本 .NET Standard 1.0到.NETStandard 1.6（包括便携式，Windows Phone和uap） .NET标准2.0 基于以及原始项目中的所有87个单元测试。

总结了轨迹相似性度量方法包括：欧式距离（Euclidean Distance），动态时间归整（Dynamic Time Warping，DTW）等等

基于MABAC，相似性度量和EDAS的区间中性多属性决策算法

近年来,基于异质信息网络的研究受到国内外广泛的关注,很多研究工作(如聚类、分类、推荐等)都是在异质信息网络上开展的。异质信息网络是一种包含不同类型节点和边的网络,它具有更加复杂的网络结构和更加丰富的语义信息,可以更全面地表示系统的组成对象和他们之间的关系。在异质信息网络中,度量节点间的相似性是开展聚类、推荐等工作的基础。目前,国内外已提出许多相似性度量方法来解决异质信息网络节点相似性度量的问题,HeteSim算法就是其中一种代表性方法。HeteSim是一种基于双向随机游走的度量方法,目前HeteSim相似度计算均采用单节点计算模式,然而随着信息网络的急剧膨胀,传统的单节点计算模式已无法满足HeteSim快速计算的需求,开发在集群上运行的HeteSim并行化算法成为当务之急。本文基于分布式计算框架Spark,研究并实现了异质信息网络相似性度量方法HeteSim的并行化算法。首先,本文提出基于矩阵乘法的HeteSim并行化算法。HeteSim并行化的核心是矩阵乘法的并行化,本文针对传统矩阵乘法并行化算法内存消耗大,网络开销大,执行时间长的缺点,提出改进算法,并基于改进算法,实现了基于矩阵乘

单词和文本相似性度量_Roff_代码_相关文件_下载

使用OWA运算符工具箱的相似度分类器提供了基于矢量的分类方法，该方法使用相似性度量和OWA运算符来区分类别样本所属的类别。 它为每个类创建理想向量，然后使用相似度来衡量样本与每个理想向量的相似程度。 这些相似性向量然后由 OWA 运营商聚合。 有关该方法的更多信息，请参阅原始出版物： P. Luukka, O. Kurama，具有有序加权平均算子的相似性分类器， Expert Systems with Applications, 40, (2013), pp. 995-1002

现有的多元时间序列相似性度量方法 难以平衡度量准确性和计算效率之间的矛盾.针对该问题,首先,对多元时间序列进行多维分段拟合;然后,选取各分段上序列点的均值作为特征;最后,以特征序列作为输入,利用动态时间弯曲算法实现相似性度量.实验结果表明,所提出方法参数配置简单,能够在保证度量准确性的前提下有效降低计算复杂度.

符号化表示是一种有效的时间序列降维技术，其相似性度量是诸多挖掘任务的基础。基于SAX(symbolic aggregate approximation)的距离MINDIST_PAA_iSAX不满足对称性，在时间序列挖掘中具有局限性，提出了对称的度量Sym_PAA_SAX，且下界于欧拉距离。在真实数据集和合成数据集上的实验说明下界紧密性较好，相似搜索错报率较低。

一种称为基于相关的动态时间扭曲 (CBDTW) 的新算法，它结合了基于 DTW 和 PCA 的相似性度量。 为了保持相关性，多元时间序列被分割，DTW 的局部差异函数源自 SPCA。 这些段是通过使用特殊的 PCA 相关成本通过自下而上的细分获得的。 我们的新技术符合两个数据库的要求，即 2004 年签名验证竞赛数据库和常用的 AUSLAN 数据集。 我们表明，在具有复杂相关结构的数据集的情况下，CBDTW 优于标准 SPCA 和最常用的基于欧几里德距离的多元 DTW。 该算法也描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月