我想从可能包含(实验)误差的距离矩阵中找到一组 3D 点的坐标。
建议的方法here不对称(以不同方式对待第一点),并且当存在不确定性时这是不够的。 正如建议的那样,这些不确定性可能导致数值不稳定 here .但这个问题的答案也假设了确切的数据。
所以我想看看是否有任何统计方法可以最好地利用数据的冗余来最大程度地减少预测坐标中的误差,并避免由于距离不一致而导致的潜在不稳定性。
我知道最终结果对于刚体平移和旋转是不变的。
如果您能建议在 numpy/scipy 中存在或基于 numpy/scipy 的算法,那就太好了,但也欢迎提出一般性建议。
最佳答案
询问后this same question in cross correlated @wuber 通过添加 multidimensional-scaling 关键字编辑了我的帖子。有了这个关键字,我可以找到很多算法,从维基百科开始: https://en.wikipedia.org/wiki/Multidimensional_scaling
关于python - 使用带有错误的距离矩阵*查找点的坐标,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30997176/