COSMIC 功能规模度量方法4.0.1 版度量手册 COSMIC 方法为“业务应用”（或 MIS）软件，“实时软件”，“基础设施 ”软件1以及 一些科学/工程软件2提供了一种度量软件功能规模的标准方法。像 3.0 版一样，ISO/IEC 19761 只包括了基本规范的定义和方法的规则。度量手册的目的 不仅是提供这些规则和定义，而且提供进一步的解释和更多案例，来帮助度量者完全理解如何应用这些方法。度量手册为度量者提供了在实践中应用COSMIC方法最主要的标准描述。

An Overview of Distance Metric Learning (by Liu Yang)，特别经典的度量学习综述论文，英文文档。

Python中的度量学习算法集合

手写字符的识别是任何模式识别问题中最重要的任务。 在本文中，我们讨论了一种使用神经网络和欧几里德距离度量来识别手写字符的方法。 首先神经网络经过一个学习阶段，然后网络被用来识别未知的手写字符。 对于不匹配的手写字符，使用欧氏距离度量来提高识别率。

[k，ksup，omega] = kappa（P1，P2）或[k，ksup] = kappa（P1，P2，omega）返回Vinnicombe（2000 ，第 123 页）。 如果为一个系统设计的控制器与另一个系统一起使用，这基本上给出了两个设备之间差异的频率测量以及闭环性能的最坏情况下降。 根据参考，如果[P2，-P1']具有与[P1，-P1']相同数量的打开RHP极点，则ksup是k的最大值。否则，将其设置为1。 没有任何输出参数的 kappa(P1,P2) 或 kappa(P1,p2,omega) 将以图形形式显示结果。 参考1. Vinnicombe, G. (2000) 不确定性和反馈：H-Infinity Loop-Shaping 和 v-Gap Metric。 伦敦：帝国理工学院 另见：西格玛，rho。

为进一步解决复杂系统脆性理论既有研究工具存在的系统状态定量描述困难、系统边界条件约束较多 等问题，将有色 Petri 网及其仿真工具 CPN Tools 引入到复杂系统脆性度量研究中。有色 Petri 网及 CPN Tools 内 置的查询工具、既有的高级状态空间计算方法都降低了复杂系统脆性度量中的问题复杂度。提出基于状态空间 分析的复杂系统脆性度量指标并给出编程实现流程。仿真算例表明状态空间内状态节点的脆性传递过程及其 影响范围能够间接反映系统脆性行为。

比较图片相似度代码matlab 图像重定向质量评估 基于以下三篇论文的ARS和MLF图像重定向质量评估措施的 Matlab 实现。 用于图像重定向质量评估的纵横比相似性 (ARS)。 ICASSP 2016 用于图像重定向质量评估的基于后向注册的纵横比相似性。 提示 2016 用于重定向图像质量的基于多级特征的测量。 提示 2018 该代码已在 Windows 10 64 位操作系统上进行了测试。 要运行代码，您需要准备第一个。 是ARS措施的实施。 您可以运行以获取结果。 如果 mex 文件不兼容，请运行更新现有的 mex 文件。 在 Win 10（i7-6700 @3.4GHz 和 16GB 内存）上可能需要大约 1.2 小时。 在至强处理器上，可能会输出与论文中报道的相比略有不同的匹配结果并导致预测性能不一致。 在这种情况下，您可以使用计算结果来替换向后注册结果。 是MLF措施的实施。 您可以运行以获取结果。 MLF_code 依赖于 ARS_code，首先需要能够运行。 在 Win 10（i7-6700 @3.4GHz 和 16GB 内存）上可能需要大约 2.1 小时。

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

本文从局部能量的角度提出了一种有效的图像边缘检测方法.在以一个像素点为中心的对称区域中，计算区域内所有像素的灰度值与中心像素的灰度值之间的差值，将差值平方的总和作为中心点所对应的局部能量.该局部能量可以有效地用于检测图像的边缘，因为边缘点的局部能量要比对应光滑区域内的像素点大得多.根据本文所构造的局部能量函数可以有效地找到边缘点.本文使用Baddeley误差度量（BEM）方法来评估本文方法检测结果的准确性.实验结果表明本文方法检测效果比较好.

SimMetrics 相似度和距离量度的Java库，例如Levenshtein距离和余弦相似度。 所有相似性指标均返回归一化值，而不是无限制的相似性分数。 距离指标返回非负无界分数。 用法 为了方便快捷地使用， 和包含一组众所周知的相似性和距离度量。 String str1 = " This is a sentence. It is made of words " ; String str2 = " This sentence is similar. It has almost the same words " ; StringMetric metric = StringMetrics . cosineSimilarity(); float result = metric . compare(str1, str2); // 0.4767 和是用于构建字符串相似度和距离度量的便捷工具。