相似性度量方法介绍

时间序列相似性度量在挖掘时间序列模式，提取时间序列关联关系上发挥着重要作用。分析了当前主流的时间序列相似性度量算法，分别指出了各度量算法在度量时序数据相似性时存在的缺陷，并提出了基于数学形态学的时间序

由于时间序列的长度很大，并且不确定时间序列在每个采样点的取值具有不确定性，导致时间序列在相似性匹配和聚类挖掘中时间复杂度很高，为了解决该问题，提出了基于趋势的时间序列相似性度量方法和聚类方法。其中基于

目前，时间序列的相似性大多是在原始序列上进行判断和比较的，原始序列维度较高，计算量大，不利于相似性比较。提出了新的关键点（转折点或极值点）算法，除利用常用的极值法求非单调序列的关键点外，还提出了求单调

基于MABAC,相似性度量和EDAS的区间中性多属性决策算法

SAM相似度方法，是一种主要用于计算光剖的相似度方法，在很多文献中都有提到，这的光谱指的是拉曼光谱

SimGNN是一种基于神经网络的方法，用于快速计算图形相似性。该方法通过学习图形结构相似性的模式，将具有相似结构的图形映射到相似的低维空间中。该方法的性能远优于传统的图形相似性计算方法，特别适用于大规

一篇关于时间序列相似性分析很好很全面的比较文章

对软件演化信息的度量能发现软件演化过程中的问题，预测其变化趋势。传统的软件演化信息度量技术主要是以文件、目录或者项目作为度量的基本单位，缺乏在较高抽象层次对软件系统进行度量的能力。在基于构件的软件配置

分别分析了时间序列特征表示和相似性度量在数据挖掘中的作用和意义,对目前已有的主要方法进行了综述,分析各自存在的优缺点;同时,探讨了将来值得关注的问题,为进一步研究时间序列数据的特征表示和相似性度量提供

使用Python实现不同的字符串相似性和距离度量的库