概念 马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的）并且是尺度无关的(scale-invariant)，即独立于测量尺度。对于一个均值为μ，协方差矩阵为Σ的多变量向量，其马氏距离为(x-μ)'Σ^(-1)(x-μ)。
这里距离的度量一般使用马氏距离(Mahalanobis Distance)。因为马氏距离不受量纲的影响，而且在多元条件下，马氏距离还考虑了变量之间的相关性，这使得它优于欧氏距离。
基于10个网页-相关网页
For both Gram-Schmidt method and adjoint matrix method of MTS, multicollinearity is solved by improving Mahalanobis distance function.
不管是马氏田口的施密特正交化法,还是伴随矩阵法,都是通过改进马氏距离函数来解决强相关问题。
参考来源 - 基于马氏田口的多元系统稳健性优化与诊断分析研究Based on the properties of wavelet transformation and Mahalanobis distance,a method of ISAR imaging processing and classification is proposed.
基于小波变换和马氏距离的性质 ,提出了目标 ISAR成像的处理与分类方法。
参考来源 - ISAR成像的处理与分类方法·2,447,543篇论文数据，部分数据来源于NoteExpress
利用基于马氏距离的数据分类技术，对输入样本分类。
By adopting data sorting technology based on Mars distance the input samples are sorted.
在建立与优化多元测量表阶段，应采用传统的指标等权重马氏距离函数。
In the stage of construction and optimization of the measurement scale, traditional Mahalanobis distance function with the same weights for every variable is adopted.
提出了一种基于马氏距离的填充算法来估计基因表达数据集中的缺失数据。
A imputation method based on Mahalanobis distance was proposed to estimate missing values in the gene expression data.
应用推荐