医学数据分类问题
在医学实验中，分别测量M个被试的N个部位的时序信号，得到M组向量数据，每组包括N个向量，使用某种分类方法分别将每组的N个向量分为k类。用什么方法来测量对这M个被试的时序信号（N个向量）进行分类，所得结果的一致性？即有没有一个标准，使得我们可以依照此标准说，第一个与第二个被试的不同部位时序信号的分类结果很相近，他们相应部位的时序信号被分到了同一类。

[解决办法]
可以试一试k-mean等算法
[解决办法]
参考这个中心距作为特征值的概念：

平移后每个向量相对于自己核的偏移量不变这个道理很重要。
就好比你上班刷指纹，偏上或者偏下，偏左或者偏右，不需要当不同的图片来识别。

一切数据皆向量，这是重要的思维，不管是指纹还是你的医学数据，还是音频，视频！~
这是从程序员到数据挖掘分析师的重要思维转变！~~

1:单维度偏移量d=[A(i)-A(i+1)]^2 (当i=max时 ,i=0)
2:所有维度综合偏移量D=∑(dk)

这样就把互相比对向量相似度事情,变成了单一的数字分桶.
用这个办法可以把海量向量分桶处理,复杂度降低到接近O(桶内大小)的水平.

下边的实验说明，当一个指纹图片平移后，我还可以通过O(1)时间找到它，哪怕和一亿张其他图片混在一起。
因为它的特征值没变！~~

C# code

using System;using System.Collections.Generic;using System.Linq;using System.Text;using System.Drawing;namespace ConsoleApplication1{    class Program    {        static void Main(string[] args)        {            //偏移前的指纹数据            Point[] Points1 = new Point[100];            //偏移后的指纹数据            Point[] Points2 = new Point[100];            //假设偏移量            int OffsetX = -3; int OffsetY = 4;            Random Rand = new Random();            for (int i = 0; i < 100; i++)            {                Points1[i] = new Point(Rand.Next(100), Rand.Next(100));                Points2[i] = new Point(Points1[i].X + OffsetX, Points1[i].Y + OffsetY);            }            //相对自己的偏移量.            double D1 = 0d; double D2 = 0d;            for (int i = 0; i < 100; i++)            {                int j = (i == 99) ? 0 : i + 1;                D1 += Math.Pow(((double)Points1[i].X - (double)Points1[j].X), 2d) + Math.Pow(((double)Points1[i].Y - (double)Points1[j].Y), 2d);                D2 += Math.Pow(((double)Points2[i].X - (double)Points2[j].X), 2d) + Math.Pow(((double)Points2[i].Y - (double)Points2[j].Y), 2d);            }            //输出距离差            Console.WriteLine(D1 - D2);            Console.Read();        }    }}
[解决办法]
可以先把数据“标准化”，消除量纲的影响。
使得不同个体的数据都是无量纲的，才具有可比性。