估计曲线相似度的技术
Techniques for estimating curves similarity
我正在尝试估计三个不同实体之间的相似性（此处表示为曲线）。
其中一条曲线代表 "teacher"（绿色曲线），另外两条是 "students".
在研究如何解决这个问题时，我遇到了多种技术：
Procrustes 分析 Procrustes Analysis with NumPy?
找峰Peak finding algorithm
闵可夫斯基距离（对离群值进行较重的惩罚）
这三种方法各有优缺点，但似乎都无法帮助我解决图中所示的问题：
我 "know" "student 3"（橙色曲线）更接近 "teacher"，但是距离方面 "student 5" 被测量为最接近的
峰值估计对于尖锐的边缘效果很好，在这里表现不佳。
我没有信号处理方面的背景知识（这似乎是问题所需要的），我将不胜感激一般 suggestions/techniques 如何解决这些类型的问题。
这个问题不一定与信号处理有关，但通常与曲线拟合或优化有关。当你说学生 3 是 "closer" 时，你必须定义 "closeness"。当你像你一样使用预定义的距离函数时，你任意选择了一个不一定适合你的 needs.Estimating 从图中，我认为通过使用欧氏距离你会得到你想要的（那个学生 3 更近）。
我正在尝试估计三个不同实体之间的相似性（此处表示为曲线）。 其中一条曲线代表 "teacher"（绿色曲线），另外两条是 "students".
在研究如何解决这个问题时，我遇到了多种技术：
Procrustes 分析 Procrustes Analysis with NumPy?
找峰Peak finding algorithm
闵可夫斯基距离（对离群值进行较重的惩罚）
这三种方法各有优缺点，但似乎都无法帮助我解决图中所示的问题：
我 "know" "student 3"（橙色曲线）更接近 "teacher"，但是距离方面 "student 5" 被测量为最接近的
峰值估计对于尖锐的边缘效果很好，在这里表现不佳。
我没有信号处理方面的背景知识（这似乎是问题所需要的），我将不胜感激一般 suggestions/techniques 如何解决这些类型的问题。
这个问题不一定与信号处理有关，但通常与曲线拟合或优化有关。当你说学生 3 是 "closer" 时，你必须定义 "closeness"。当你像你一样使用预定义的距离函数时，你任意选择了一个不一定适合你的 needs.Estimating 从图中，我认为通过使用欧氏距离你会得到你想要的（那个学生 3 更近）。