距离矩阵

在距离矩阵matlab代码的应用实例中，我们可以看到如何有效利用该技术来解决实际问题。

介绍了如何使用指数p计算两个矩阵列之间的Minkowski距离。考虑到矩阵可能在行和列维度上具有不同大小，函数提供了示例和用户指南。

我们利用Matlab构建了一个距离矩阵，用于观察不同类别之间的距离变化，这有助于确保对未知数据的正确分类。

距离矩阵包含样本间的距离信息，用于聚类分析，将具有相似特征的样本分组。

执行kmedioids聚类，仅需距离矩阵D和聚类数k。通过最小化成本函数sum(D(inds==i,inds==i),2)，对每个i=1:k，找到最优的集群分配'inds'。该过程以高效的矢量化方式完成集群分配和集群中心的计算，其中集群分配的时间复杂度为O(nk)，集群中心的时间复杂度为O(k*(最大集群大小)^2)。

利用输入的x和y坐标，生成基于距离和时间条件的空间权重矩阵，适用于空间计量经济学中的回归分析。特别适用于考虑时间条件的享乐回归，如对几年内的销售数据集进行房屋销售额评估。例如，排除一年前的交易作为邻居，模拟可比销售额评估方法。

空间计量经济学经常使用的地级市距离矩阵对研究地区经济联系及影响具有重要意义。

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。

这个Matlab函数用于计算两组点云之间的双向局部距离（BLD）。BLD是Hausdorff距离的一种扩展，提供了参考点云中每个点到测试点云的距离。该函数由Hak Soo Kim等人在医学物理学领域的研究中定义，适用于任意维度的点云。使用方法：输入参考点云和测试点云，函数将输出参考点云中每个点的局部距离（BLD）。详细信息可参见原论文：https://doi.org/10.1118/1.4754802。

Matlab距离矩阵代码PSYCHIC使用Hi-C数据查找推定的增强子的代码。要运行此示例，请使用repo目录中的python htad-chain.py，配置文件格式为Hi-C文件的res分辨率（40000），互动距离截止点（通常为2000），染色体名称（例如'chr1'..'chrX'），使用染色体长度的床文件的chrsize路径（examples/hg19.size.bed）。conf文件（hIMR90）的output_prefix是输出前缀，output_dir为存储输出文件的路径（例如/输出），input_matrix为染色体的输入Hi-C矩阵路径（请参阅格式规范），genes_file为描述基因的bed文件路径（examples/hg19.genes.bed）。有关正常运行的示例配置文件，请参阅examples/himr90.chr20.conf。