先给出距离和贴近度公式：
绝对距离：∑ (|A(u) - B(u)| ^ p ) ^ (1 / p)
相对距离：∑ ((1 / n) * |A(u) - B(u)| ^ p ) ^ (1 / p)
加权距离：∑ (Ω * |A(u) - B(u)| ^ p ) ^ (1 / p)
绝对海明距离：上面的绝对距离中 p = 1 的情况
∑ |A(u) - B(u)|
相对海明距离：上面的相对距离中 p = 1 的情况
∑ |(1 / n) * A(u) - B(u)|
加权海明距离：上面的加权距离中 p = 1 的情况
∑ Ω * |A(u) - B(u)|
绝对欧几里得距离：上面的绝对距离中的 p = 2 的情况
∑ (|A(u) - B(u)| ^ 2 ) ^ (1 / 2)
相对欧几里得距离：上面的相对距离中 p = 2 的情况
∑ ((1 / n) * |A(u) - B(u)| ^ 2 ) ^ (1 / 2)
加权欧几里得距离：上面的加权距离中 p = 1 的情况
∑ (Ω * |A(u) - B(u)| ^ 2 ) ^ (1 / 2)
海明贴近度(NH : H为下标):
1 - ∑ |(1 / n) * A(u) - B(u)|
欧几里得贴近度(NA : A为下标)
1 - ∑ ((1 / n) * |A(u) - B(u)| ^ 2 ) ^ (1 / 2)
最大最小贴近度(NM : M为下标)
∑ (A(u)i ∩ B(u)i) / (A(u)i ∪ B(u)i)
最小平均贴近度(N)
∑ (A(u)i ∩ B(u)i) / [(A(u)i + B(u)i) * 1 / 2]
内积
A 。B = ∪(A(u)i ∩ B(u)i)
外积（A 。B 的 。 中间加了一个点，类似于同或那个符号）
A 。B = ∩ (A(u)i ∪ B(u)i)
内积：求隶属度最小值中的最大值
外积：求最大值中的最小值
距离：将隶属度看做 n 维空间中的一个点，求距离其实就是求 n 维空间中的两个点的距离
贴近度：反映两个结合的贴近程度
1、有时距离不适用，毕竟距离是绝对值，肯定大于等于 0，而对于跑道上的两名选手，所得成绩相距80分是有正负的，
如果只取绝对值计算，那么会出现 没跑的同学的成绩 > 跑满分的同学的成绩 ，这显然是不合理的。
标签：加权,模糊数学,海明,欧几里得,距离,贴近,上面 来源： https://blog.csdn.net/qq_45760401/article/details/115419882
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。