距离判别法

绝对距离的计算方法，在 MATLAB 里真的是老少咸宜、上手快。sum(abs(x - y))这句，几乎是入门数据都会用到的操作，行向量、列向量都能搞定，灵活得。如果你想更快捷一点，还有个mandist(x, y')，专门配合行向量，直接就给出结果，挺省事。 在做判别时，距离计算是绕不开的一个环节。比如你拿到两组 n 维向量，像x = [x1, x2, ..., xn]和y = [y1; y2; ...; yn]这种，一句sum(abs(x - y'))就能搞定绝对距离，简单直接，适合快速判断样本之间的差异。 这篇资源的还算到位，关键点都有提到，代码也贴得挺清楚的。你要是经常用 MATLAB

距离判别法主要利用样本与各类重心间的距离差异进行分类。首先，根据已知分类的数据计算各类的重心。然后，计算待判样本与各类的距离。最后，根据距离最小原则，将待判样本归入距离最近的一类。该方法常用的判别函数为 W(x) = D(x, G2) - D(x, G1)， 其中 D 代表距离函数，G1 和 G2 分别代表两类的重心。

通过案例分析，展示费舍尔判别法 (LDA) 和贝叶斯判别法从数学理论到计算机模型以及计算的完整过程。区别于直接调用 R 语言包，本实现相当于重写了判别法，深入剖析算法细节。

距离判别方法的核心思想是，首先根据已知分类数据计算各类别的重心，然后测量待判定样本与每一类别重心的距离，最终将待判定样本分配到距离最近的类别。判别函数表达为：W(x)=D(x,G2)-D(x,G1)。判别依据是样本x与各类别重心的距离比较，以此确定样本的分类。

费歇尔判别法的核心思想是通过将多维数据投影至特定方向，以尽可能地区分不同总体。这种投影利用方差分析构建一个或多个超平面，以最大化组间差异并最小化组内差异。判别函数通过将待分类样本映射至这些超平面，计算出判别函数值y1、y2和y，然后通过加权平均值y0进行分类决策。

分类变量的数值化一直挺让人头大的，尤其是变量一多、每类又多的时候。用虚拟变量真的是又长又臃肿。而这个基于 Fisher 方法的小工具，在MATLAB里就能跑，专门帮你把分类变量转成数量型的权重值，做回归或者 GLM 时用着还挺顺手。 Fisher 判别的权重提取方式比较聪明，它不是简单地给每个类编号，而是根据组间差异性算出来的数值，换句话说，更能反映每个类别在模型中的“贡献”。嗯，这个方式最早是在 1986 年的一篇论文里提的，用在判别里头，后来被不少人拿来用在别的统计模型里。 你要是正好在搞多组回归、ANOCOVA 或者广义线性模型（GLM），又苦于一堆多类变量，这段MATLAB代码就还挺适

系统聚类法，作为多元统计分析中的一种重要分类方法，其核心在于通过分析类与类之间的距离来实现分类。

在本教程中，将使用MatLab对TM图像进行分类，并结合马氏距离法的分析方法。此过程基于提供的训练样本（附有一个ENVI CLASSIC导出的ASCII格式文件）。代码执行过程中，用户会遇到几个对话框提示，分别用于： 手动选择波段图像：系统会要求您打开多个波段的TM图像。 调整输出图像大小：可通过对话框选择最终图像的尺寸，以便更符合项目需求。 完成代码执行后，分类结果将直接显示于MatLab界面，并以系统时间自动命名和保存。 代码注释清晰，便于理解和学习，适合需要在TM图像分类中应用马氏距离法的用户。

多元统计课程设计的 Fisher 判别法例子，真的挺值得一看。从东部 11 个省份的居民收入数据入手，搞清楚怎么用Fisher 判别法做分类，思路清晰，例子也接地气。讲到了 SPSS 里的操作步骤，比如在Analyze > Classify > Discriminant里设置变量，怎么选统计量、路径等，讲得蛮细。还有一点实用——它直接给出了判别函数，比如D₁和F₁的公式，拿来就能套用。你要是刚接触 Fisher 方法，或者想用它做城市经济类，这篇内容真还不错。顺带说一句，文末还列了不少扩展阅读链接，比如线性判别函数、SPSS 多元、基于距离的判别方法，挺方便继续深入。如果你也在搞课程设计，或者

这是P. Felzenszwalb和D. Huttenlocher的论文中提出的距离采样函数的广义距离变换算法的简单MATLAB实现。函数DT()通过为每个维度调用DT1()来计算二维图像的距离变换。该方法可以轻松扩展到更高维度。由于inf值的处理存在问题，因此对于图像中以“无”抛物线为中心的点，应该给它们一个较大的数值（如1e10）。此外，算法被修改为使第二个参数返回输入的功率图，该图展示了每个点到其最近的点的距离。若所有输入点具有相同的值，函数将简化为计算标准的距离变换和Voronoi图。