七种曲线相似度算法及其实现

七种曲线相似度算法的适用场景

欧几里德距离（Euclidean Distance） ：
特点：简单易懂，计算方法直观。
适用场景：适用于曲线样本数相同的情况，当曲线具有明显的平移和缩放变换时表现较好。
动态时间规整（Dynamic Time Warping，DTW） ：
特点：考虑了时间轴的变化，能够捕捉曲线的形状相似性。对于时间轴缩放和平移具有一定的容忍性。
适用场景：适用于曲线在时间上存在变换、平移、扭曲等情况，比如语音识别、时间序列数据分析等。
余弦相似度（Cosine Similarity） ：
特点：忽略了曲线的振幅，只关注其方向。适用于振幅不重要的情况。
适用场景：文本分类、推荐系统中用户兴趣相似性等。
皮尔逊相关系数（Pearson Correlation Coefficient） ：
特点：衡量线性相关性，取值范围在-1到1之间。
适用场景：适用于评估两个变量之间的线性关系，不仅限于时间序列数据。
曼哈顿距离（Manhattan Distance） ：
特点：考虑了各维度之间的差异，适用于具有多维度的曲线数据。
适用场景：图像识别、多维时间序列分析等。
动态核相关（Dynamic Kernel Correlation，DKC） ：
特点：将时间序列映射到高维特征空间中，计算相关性。可以捕获非线性关系。
适用场景：适用于非线性关系较为复杂的时间序列数据。
平均绝对误差（Mean Absolute Error，MAE） ：
特点：衡量实际值和预测值之间的差异。
适用场景：用于衡量预测模型的精度，例如回归模型的性能评估。

七种曲线相似度算法的计算公式

欧几里德距离（Euclidean Distance） ：
计算两个向量（或曲线）之间的欧几里德距离，即两点之间的直线距离。

计算公式：
$\text{DTW}(i, j) = |x[i] - y[j]| + \min(\text{DTW}(i-1, j), \text{DTW}(i, j-1), \text{DTW}(i-1, j-1))$
余弦相似度（Cosine Similarity） ：
衡量两个向量（或曲线）之间的夹角，而不考虑振幅。

计算公式：
$\text{Cosine Similarity} = \frac{\sum_{i=1}^{n} x_i \cdot y_i}{\sqrt{\sum_{i=1}^{n} x_i^2} \cdot \sqrt{\sum_{i=1}^{n} y_i^2}}$
皮尔逊相关系数（Pearson Correlation Coefficient） ：
衡量两个变量之间的线性关系程度。

计算公式：
$\text{Pearson Correlation} = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2} \cdot \sqrt{\sum_{i=1}^{n} (y_i - \bar{y})^2}}$
曼哈顿距离（Manhattan Distance） ：
计算两个向量（或曲线）之间的绝对差值之和。

计算公式：

曲线相似度计算方法的Python实现

只是给出了一个简化实例，没使用任何外部库，仅使用标准库中的基本数学函数。对于一些方法，如动态时间规整（DTW）和动态核相关（DKC），需要进行更详细的数学计算。

import numpy as np
# 欧氏距离
euclidean_distance = np.sqrt(np.sum((x - y)**2))
# 动态时间规整（DTW）
def dtw_distance(x, y):
    n, m = len(x), len(y)
    dtw_matrix = np.zeros((n + 1, m + 1))
    for i in range(1, n + 1):
        for j in range(1, m + 1):
            cost = abs(x[i - 1] - y[j - 1])
            dtw_matrix[i, j] = cost + min(dtw_matrix[i - 1, j], dtw_matrix[i, j - 1], dtw_matrix[i - 1, j - 1])
    return dtw_matrix[n, m]
# 余弦相似度
cosine_similarity = np.dot(x, y) / (np.linalg.norm(x) * np.linalg.norm(y))
# 皮尔逊相关系数
pearson_correlation = np.corrcoef(x, y)[0, 1]
# 曼哈顿距离
manhattan_distance = np.sum(np.abs(x - y))
# 动态核相关（DKC）
def dkc_distance(x, y):
    sigma = 1.0  # 高斯核的带宽
    k_x = np.exp(-np.sum((x - x)**2) / (2 * sigma**2))
    k_y = np.exp(-np.sum((y - y)**2) / (2 * sigma**2))
    dkc_distance = np.dot(k_x, k_y)
    return dkc_distance
# 平均绝对误差（MAE）
mae = np.mean(np.abs(x - y))
print("MAE:", mae)
                                    1. 什么条件下两条曲线最相似
那肯定是在定义域[a, b]中，两条曲线完全重合。用数学语言
∀x∈[a,b],f1(x)=f2(x)\forall x \isin [a, b], f_1(x) =f_2(x)∀x∈[a,b],f1(x)=f2(x)或者∀x∈[a,b],f1(x)−f2(x)=0(1)\forall x \isin [a, b], f_1(x) -f_2(x)=0 \tag{1}∀x∈[a,b],f1(x)−f2(x)=0(1) 然而，∀\forall∀符号是不利于我们计算的，因.
                                    时间序列相似性属于曲线相似性/曲线匹配(curve matching)领域的内容，在这一领域，有许多有用的方法，但是国内的博客上鲜有这方面的内容，因此我选取了几种常用的方法进行一下综述性的阐述。衡量相似性之前，我们首先定义“相似”。正常情况下，我们认为x,y,z是形状相似的，在这三条曲线中，我们认为y，z是最相似的两条曲线(因为y,z的距离最近)。ok，那我们先来看看寻常意义上的相似：距离最近且形...
2. 基于形状的方法
衡量两条曲线f1(x,y)f_1(x,y)f1(x,y)与f2(x,y)f_2(x,y)f2(x,y)的相似度，从传统特征工程的角度来讲，思路无外乎是设计不同的特征空间，将曲线映射到特征空间里面再进行相似度的对比，这种相似度的对比实际上就是在特征空间里面的欧式距离了。目前而言，常用的设计思路主要是出于两个方面设计，一个是从...
便于计算的离散距离求解
Alt, Helmut, and Michael Godau. “Computing the Fréchet distance between two polygonal curves.” International Journal of Computational Geometry &am
                                    曲线相似性计算，如果两条之间存在直接影响，更要关注特征的连续性，如果两条受同一条影响，更要关注特征的离散最大性。
设xn为A的波动数据序列，yn为B的波动数据序列，其中n=1…N。A与B的相关系数可以通过如下公式计算：
                                    本文内容来自知乎：医小咖里面有许多关于医学统计方法，非常实用，转载以方便查阅多图实例：教你绘制ROC曲线   在选择诊断试验时，许多研究者会在灵敏度和特异度之间进行艰难的取舍。那么，是否可以综合考虑灵敏度和特异度的特点，根据一个指标评价诊断试验的准确性呢？Lusted于1971年提出受试者工作特征曲线(receiver operating characteristic curve...
对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。
1、SIFT综述
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，20
而寻找图像特征点，我们要先知道一个概念，就是“图像尺度空间”。
平时生活中，用人眼去看一张照片时，随着观测距离的增加，图像会逐渐变得模糊。那么计算机在“看”一张照片时，会从不同的“尺度”去观测照片，尺度越大，图像越模糊。
那么这里的“尺度”就是二维高斯函数当中的σ值，一张照片与二维高斯...