特里斯坦·乌塞尔两条曲线之间的 Frechet 距离2013 年 5 月，2020 年 6 月更新 f = frechet(X1,Y1,X2,Y2) f = frechet(X1,Y1,X2,Y2,res) (X1,Y1) 是第一条曲线的有序 x 和 y 坐标。 (X2,Y2) 是第二条曲线的有序 x 和 y 坐标。 组成两条曲线的点数不必相同。 'res' 是一个可选的正参数，用于设置跨越任意两点之间的最小成对距离和任意两点之间的最大成对距离的线性间隔距离的数量。 通常，请先尝试不设置“ res”，因为这样可以确保提供最高精确度的答案。 如果计算时间太长，请尝试为初学者设置 'res=1000'。 不使用“res”时，脚本会检查成对距离 (O(N^2)) 的所有唯一值的阈值。 这对于由（例如）1000 个点组成的曲线可能没问题，但不是 100,000。 此函数估计 Freche

数据结构实验报告

KMV的MATLAB的代码到默认和危险模型的距离 违约的距离，违约概率和危害模型以及财务数据的风险管理 =>计算COMPUSTAT和CRSP数据集上的默认距离和默认概率。 =>使用的方法：朴素方法，Black Scholes方法和迭代方法（穆迪KMV方法） =>使用危害模型和机器学习技术来预测消费者的信用风险。 =>风险价值计算，基于收益的历史分布的预期资产短缺。 => JP Morgans风险度量模型和GARCH（1,1）的波动率估计的计算和比较

第二章 距离高分辨和一维距离像 雷达采用了宽频带信号后，距离分辨率可大大提高，这时从一般目标（如飞机等）接收到的已不再是 “点”回波，而是沿距离分布开的一维距离像。 雷达回波的性质可以用线性系统来描述，输入是发射脉冲，通过系统（目标）的作用，输出雷达回波。 系统的特性通常用冲激响应（或称分布函数）表示，从发射波形与冲激响应的卷积可得到雷达回波的波形。 严格分析和计算目标的冲激响应是比较复杂的，要用到较深的电磁场理论，不属于本书的范围。简单 地说，雷达电波作用的目标的一些部件对波前会有后向散射，当一些平板部分面向雷达时还会有后向镜面 反射；这些是雷达回波的主要部分；此外还有谐振波和爬行波等。因此，目标的冲激响应（分布函数）可 以用散射点模型近似，即目标可用一系列面向雷达的散射点表示，这些散射点位于后向散射较强的部位。 由于谐振波和爬行波的滞后效应，有时也会有少数散射点在目标本体之外。如上所述，目标的散射点模型 显然与雷达的视线向有关，例如当飞机的平板机身与雷达射线垂直时有很强的后向镜面反射，而在偏离不 大的角度后，镜向反射射向它方，不为雷达所接收。目标的雷达散射点模型随视角的变化而缓慢改变，且 与雷达波长有关，分析和实验结果表明，在视角变化约 10°的范围里，可认为散射点在目标上的位置和强 度近似不变。顺便提一下，前面曾提到微波雷达对目标作 ISAR 成像，目标须转动 3°左右，在分析时用 散射点模型是合适的。 虽然目标的散射点模型随视角作缓慢变化，但一维距离像的变化要快得多。可以想像到，一维距离像 是三维分布散射点子回波之和，在平面波的条件下，相当三维子回波以向量和的方式在雷达射线上的投影， 即相同距离单元里的子回波作向量相加。我们知道，雷达对目标视角的微小变化，会使同一距离单元内而 横向位置不同散射点的径向距离差改变，从而使两者子回波的相位差可能显著变化。以波长 3 厘米为例， 若两散射点的横距为 10 米，当目标转动 0.05°时，两者到雷达的径向距离差变化为 1 厘米，它们子回波 的相位差改变 240°！由此可见，目标一维距离像中尖峰的位置随视角缓慢变化（由于散射点模型缓变）， 而尖峰的振幅可能是快变的（当相应距离单元中有多个散射点）。图 2-1 是 C 波段雷达实测的飞机一维距 离像的例子，图中将视角变化约 3°的回波重合画在一起。一维距离像随视角变化而具有的峰值位置缓变性 和峰值幅度快变性可作为目标特性识别的基础。 本章将用上述散射点模型对高分辨的一维距离像进行讨论。

用于数据的分类与采样

m 文件提供了一种用于计算两类正态分布数据之间的 Bhattacharyya 距离度量 (BDM) 的工具。 BDM 在模式识别中被广泛用作特征选择的标准。 由于 cov(X1)*cov(X2) 可能（近）奇异，直接计算可能会导致除以零误差。 改进后的代码在正常情况下使用 Cholesky 分解，但在接近奇异的情况下使用 sqrtm。

采用ti的单片机,射频芯片nrf2401实现的远距离RFID原理图方案,范围(0~200),调试通过的量产的,吐血奉献.

【室内定位】采用TOA借助多个基站与终端之间距离进行目标定位matlab源码.zip

Java代码实现的英文拼写检查器，基于编辑距离实现。

'z=mydist(w,p)' 计算两个向量 w:SxR 和 p:RxQ 之间的欧氏距离，并返回 z:SxQ，w 的行和 p 的列之间的距离。 此函数与 Matlab 'dist(w,p)' 的作用相同，但计算所需的内存要少得多。 它可以帮助克服神经网络中较大数据集训练中的“内存不足错误”。