好的，这是matlab中的公式：
function D = dumDistance(X,Y)
n1 = size(X,2);
n2 = size(Y,2);
D = zeros(n1,n2);
for i = 1:n1
for j = 1:n2
D(i,j) = sum((X(:,i)-Y(:,j)).^2);
end
end
这里的功劳（我知道这不是一个快速的实现，而是出于基本算法的考虑）。
现在这是我的理解问题；
假设我们有一个矩阵dictionary=140x100词。和一个矩阵page=140x40字。每列代表140维空间中的一个单词。
现在，如果使用dumDistance(page,dictionairy)它，它将返回一个40x100带有距离的矩阵。
我要实现的是找到page矩阵的每个单词与矩阵有多接近dictionary，以便根据字典用直方图表示页面。
我知道，如果我采用min（40x100），则将得到一个1x100矩阵，该矩阵的最小值表示我的直方图。
我在这里真正无法理解的是这个40x100矩阵。这个矩阵仍然代表什么数据？我在脑海中无法想象这一点。
在我开始之前的小评论：
您应该真正使用它pdist2。这样会更快，并且您将获得与相同的结果dumDistance。换句话说，您可以这样称呼它：
D = pdist2(page.', dictionary.');
你需要调换page和dictionary作为pdist2假定每个行是一个观察，而每列对应的变量/功能。您的数据结构使得每一列都是一个观察值。这将返回一个40 x 100矩阵，就像您在中看到的一样dumDistance。但是，pdist2 不使用forloops。
现在到您的问题：
D(i,j)表示页面上的单词与词典中的单词之间的欧几里德平方距离。您的页面上有40个单词，而字典中有100个单词。每个词都由140维特征向量表示，因此索引的行索引为的单词，而索引的列索引为的单词。ijDpageDdictionary
我在这里所说的“距离”是指特征空间。页面和词典中的每个单词都表示为140个长度的向量。每个条目(i,j)的D需要第i个从向量page和第j个向量从dictionary每个它们对应的分量的相减，平方，然后将它们相加。然后将此输出存储到中D(i,j)。这给你的字间的差异性i，从你page和字j从你dictionary的D(i,j)。值越高，两个单词越相似。
次要说明： pdist2计算欧几里得距离，同时dumDistance计算欧几里得平方距离。如果您想拥有与之相同的东西dumDistance，只需将Dfrom中的每个元素平方即可pdist2。换句话说，只需计算即可D.^2。
希望这可以帮助。祝你好运！
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句