如何在一个向量中找到最接近（最近）的值到另一个向量？

Question

我有两个大小相等的向量，例如

A=[2.29 2.56 2.77 2.90 2.05] and
B=[2.34 2.62 2.67 2.44 2.52].

我有兴趣在两个相同大小的向量 A 和 B 中找到最接近的值（几乎相等），即在 A 的所有元素中，哪个值最接近 B 的任何元素？该解决方案也应该可以扩展到任意数量（相等大小）的向量。意味着能够使用一组相同大小的向量 A、B 和 C 找到最接近的值。两个结果值可以来自两个向量中的任何一个。

为了清楚起见，我不想在单个向量中找到最接近的值。以上示例的答案是值 2.56 和 2.52。

Answer 1

这适用于通用数量的可能不同长度的向量：

vectors = {[2.29 2.56 2.77 2.90 2.05] [2.34 2.62 2.67 2.44 2.52] [1 2 3 4]}; 
    % Cell array of data vectors; 3 in this example
s = cellfun(@numel, vectors); % Get vector lengths
v = [vectors{:}]; % Concatenate all vectors into a vector
D = abs(bsxfun(@minus, v, v.')); % Compute distances. This gives a matrix.
    % Distances within the same vector will have to be discarded. This will be
    % done by replacing those values with NaN, in blocks
bb = arrayfun(@(x) NaN(x), s, 'uniformoutput', false); % Cell array of blocks
B = blkdiag(bb{:}); % NaN mask with those blocks
[~, ind] = min(D(:) + B(:)); % Add that mask. Get arg min in linear index
[ii, jj] = ind2sub(size(D), ind); % Convert to row and column indices
result = v([ii jj]); % Index into concatenated vector

Answer 2

使用bsxfun作为两个向量的起点：

%// data
A = [2.29 2.56 2.77 2.90 2.05]
B = [2.34 2.62 2.67 2.44 2.52]

%// distance matrix 
dist = abs(bsxfun(@minus,A(:),B(:).'));

%// find row and col indices of minimum
[~,idx] = min(dist(:))
[ii,jj] = ind2sub( [numel(A), numel(B)], idx)

%// output 
a = A(ii)
b = B(jj)

现在您可以将其放入循环等中。

---

顺便说一句：

dist = abs(bsxfun(@minus,A(:),B(:).'));

会等价于更明显的：

dist = pdist2( A(:), B(:) )

但我宁愿选择第一个解决方案，避免开销。

---

最后是多向量的完全向量化方法：

%// data
data{1} = [2.29 2.56 2.77 2.90 2.05];
data{2} = [2.34 2.62 2.67 2.44 2.52];
data{3} = [2.34 2.62 2.67 2.44 2.52].*2;
data{4} = [2.34 2.62 2.67 2.44 2.52].*4;
%// length of each vector
N = 5;

%// create Filter for distance matrix
nans(1:numel(data)) = {NaN(N)};
mask = blkdiag(nans{:}) + 1; 

%// create new input for bsxfun
X = [data{:}];

%// filtered distance matrix 
dist = mask.*abs(bsxfun(@minus,X(:),X(:).'));

%// find row and col indices of minimum
[~,idx] = min(dist(:))
[ii,jj] = ind2sub( size(dist), idx)

%// output 
a = X(ii)
b = X(jj)

Answer 3

就像长评论，如果您可以访问 Statistics and Machine Learning Toolbox，那么您可以使用 K-Nearest Neighbors 函数，这些函数具有以下优点：

1. 处理不同长度的数组，例如 size(A) = [M, 1] 和 size(B) = [N, 1]

2. 处理二维数组，例如当 size(A) = [M, d] 和 size(B) = [N, d]

3. 处理不同的距离类型，例如：欧几里得、城市街区、切比雪夫等等，甚至您拥有自定义距离。

4. 在某些特殊情况下使用 KDTree 算法会产生出色的性能。

虽然在您的情况下，“Luis Mendo”的答案看起来很不错，但它不能像工具箱提供的 K-Nearest Neighbors 函数那样扩展。

更新：示例代码

% A and B could have any Dimension, just same number of columns (signal Dimension)
A = rand(1000,4);
B = rand(500,4);

% Use any distance you like, some of them are not supported for KDTreeSearcher,
% and you should use ExhaustiveSearcher
myKnnModel= KDTreeSearcher(A, 'Distance', 'minkowski');

% you can ask for many (K) Nearest Neighbors and you always have access to it for later uses
[Idx, D] = knnsearch(myKnnModel, B, 'K',2);

% and this is answer to your special case
[~, idxA] = min(D(:, 1))
idxB = Idx(idxA)