详细讲解了图像分割的概念和原理，距离变换和分水岭介绍。相关API介绍、使用讲解和处理流程描述。此工程是Demo，用的OPENCV3.3

高光谱图像分类：在Matlab中使用朴素贝叶斯，最小Eucleidian距离和KNN进行高光谱图像分类

雷达目标的产生与检测 这是Udacity传感器融合纳米度的第三个项目。 我计算了距离多普勒地图（RDM），以确定目标的位置和速度。 下图是该项目的布局。 雷达规格 工作频率：77 GHz fc = 77e9 最大射程：200 m maxRange = 200 范围分辨率：1 m rangeResolution = 1 最大速度：100 m / s maxV = 100 CFAR参数 在两个维度上的训练单元数 Tr = 12 Td = 10 在两个维度上的守卫单元数量 Gr = 5 Gd = 5 将阈值偏移SNR值（以dB为单位） offset = 6

聚类算法，使用欧氏距离实现，可通过文件对算法功能进行测试

高德地图鼠标划线显示距离并生成坐标点数据，只需替换代码中红色的key就可以看效果，或复制本人博客原文章代码：https://blog.csdn.net/c5211314963/article/details/92789197

常规的服务人员与顾客保持多少距离为宜.doc

雷达回波信号模拟，并且在距离向上进行脉冲压缩，可以设置点目标个数

EDA工程师可以参考，关于爬电距离有国家和行业标准，希望有价值啊

马氏距离matlab原始代码EyeStateKNNClassifier 使用不同距离度量和邻居参数数量的k-NN算法预测眼图状态 该存储库包含“使用k-NN算法预测眼图状态：不同距离度量和邻居参数数量的比较研究”的原始实现，该方法已发布在2019年医疗技术大会（TIPTEKNO）上。 为了提出针对不同类型问题的基于k-NN的方法，必须分析并正确解释不同的距离度量和相邻参数的数量。 在此项目中，我们使用k-NN算法基于不同距离指标（城市街区，chebychev，相关性，余弦，欧几里得，马哈拉诺比斯，minkowski，seuclidean，spearman）和邻居参数的数量执行了基于脑电图的眼睛状态预测。 一些细节如下： 在可通过UCI机器学习存储库[]获得的EEG眼神状态数据集上进行的实验。 该数据集包含多变量，顺序和时间序列的现实世界EEG数据。 EEG Eye State.arf文件转换为EEGEyeStateDataSet_Data.mat（包含所有EEG数据）和EEGEyeStateDataSet_Labels.mat（包含标签）。 使用十倍留一法交叉验证技术评估分类性能以进行

该脚本是对 TSP 示例 Matlab 优化工具箱 ( https://mathworks.com/help/optim/ug/travelling-salesman-problem.html ) 的修改，用于解决非对称 TSP。 *detectSubtours.m 保持不变，没有任何变化。 1. 该脚本基于二进制整数规划求解 TSP（对称和非对称） 2. 所需输入：距离矩阵文件。 将输入文件放在与脚本相同的文件夹中。 距离矩阵应该是方阵。 3. 在提示中输入文件名以及 .csv/.xls 等扩展名4. (i,i) 之间的距离应为 0。另外，如果两个节点之间没有路由，则对应的矩阵值应为零。