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

提出了曲线形态相似性的定义与度量问题.介绍了一种曲线的划分方法,得到一个曲线的比值样本,基于统计学原理,给出了曲线相似性的定义与度量方法.并通过算例验证了该相似性度量方法的可行性.

多元时间序列由于多元性和变量间的相关性而趋于复杂 。简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的 Froenius加权平方范数为度量工具,提出了基于 haar小波变换的多元时间序列间相似性匹配方法 。实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度 。

Siamese：孪生神经网络在tf2（tensorflow2）当中的实现 目录 实现的内容 该仓库实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。 所需环境 tensorflow-gpu==2.2.0 注意事项 训练Omniglot数据集和训练自己的数据集可以采用两种不同的格式。需要注意格式的摆放噢！ 文件下载 训练所需的vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5可在百度网盘中下载。 链接: 提取码: 9ij5 我一共会提供两个权重，分别是vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5和Omniglot_vgg.h5。 其中: Omniglot_vgg.h5是Omni

以图像匹配概率和匹配精度为准则，对几种经典的相似性度量进行了比较研究。得出绝对差(AD)与平均绝对差(MAD)算法等价；平方差(SD)、平均平方差(MSD)、积相关(Prod)与归一化积相关(Nprod)算法等价的结论。当图像信噪比较低时，Prod/Nprod/SD/MSD算法优于AD/MAD算法；否则，后者优于前者。相似性度量的比较研究可为实际应用中图像配准或景象匹配问题中相似性度量的选择提供重要的参考依据。

该脚本模拟了Tomas Milokov的“利用机器翻译的语言之间的相似性”中的实验。 用法： 使用gensim在word2vec中训练两个模型，一个在目标语言中，一个在源语言中。 加载两者，然后运行脚本以查看准确性@ 5和准确性@ 1。 有关完整的实验详细信息，请参见论文。 这是Mostafa Chatillon在中的脚本的净化后的注释版本。

提出了一种基于二维正交投影图像的三维模型相似性比较算法。首先计算三维模型的二维正交投影图像，然后提取二维正交投影图像的边缘轮廓夹角特征，并比较这些二维正交投影图像的相似性，最后通过二维正交投影图像的轮廓相似性来获取三维模型的相似性。实验验证了该算法的可行性，并且其对于三维模型检索所要求的平移、旋转和缩放不变性具有较好的鲁棒性。

提升链路预测精度是复杂网络研究的基础问题之一，现有的基于节点相似的链路预测指标没有充分利用网络节点的重要性，即节点在网络中的影响力。针对以上问题提出基于节点重要性的链路预测算法。该算法在基于局部相似性链路预测算法的共同邻居( CN) 、Adamic-Adar( AA) 、Ｒesource Allocation( ＲA) 相似性指标的基础上，充分利用了节点度中心性、接近中心性及介数中心性的信息，提出考虑节点重要性的 CN、AA、ＲA 链路预测相似性指标。在 4 个真实数据集上进行仿真实验，以 AUC 值作为链路预测精度评价指标，实验结果表明，改进的算法在 4 个数据集上的链路预测精度均高于共同邻居等对比算法，能够对复杂网络结构产生更精确的分析预测.

目前，已有许多高效的字符串相似性连接算法被提出，但是这些算法在过滤的过程中利用的往往是字符串本身的局部信息，而忽略了字符串集合的整体信息，故性能没有得到充分的提高。为此，提出了一种基于划分的算法Part-Join，它从频率向量、字母表、频率分布三方面对数据集进行子集划分，并给出子集间的过滤策略用于排除不相似的字符串对。扩展实验表明，Part-Join比已有算法Pass-Join效率提高了10%~15%。

本程序致力于解决识别图形形状的问题。对于本程序所涉及的图形形状相似性问题，本程序实现了五个基本要求： 1.对于任意两个图形的相似程度必须得出一个量化的结果，在此称为图形相似度。 2.对图形形状的检测必须忽略 大小、旋转、轴对称、连线顺序的影响。 3.对于相同的图形，形状相似度必须为1；对于不相同的图形，形状相似度必须小于1。 4.两个图形的形状相似度必须与其相似程度成严格单调性，即对于同一个基准图形，越相似的图形相似度越高，越不相似的图形相似度越低。 5.必须能在可接受的时间与空间耗费内求解出结果。 本程序可以求解出闭合图形或非闭合图形的相似度（或混合图形的相似度）。并在极低的空间和时间耗费水平上求解出结果。 本程序暂时最多可以检测有100个节点的矢量图形。对于使用到的参数和运算方法暂不提供详细说明。