分段聚合近似法是一种时间序列数据的降维方法，最早由埃蒙·基奥等人提出，用于建立时间序列索引。相比于离散傅里叶变换、离散小波变换、奇异值分解等降维方法，分段聚合近似法操作比较简便，适用于更多距离度量，例如加权欧几里得距离。并且分段聚合近似法还适用于索引长度和查询长度不同的情况。如今分段聚合近似法已经成为一种广泛应用的时间序列处理方法。
最邻近搜索又称为“最近点搜索”，是一个在尺度空间中寻找最近点的优化问题。问题描述如下：在尺度空间M中给定一个点集S和一个目标点q ∈ M，在S中找到距离q最近的点。很多情况下，M为多维的欧几里得空间，距离由欧几里得距离或曼哈顿距离决定。
马特恩协方差函数是统计学中的一个协方差函数，其名称源于瑞典林业统计学家马特恩。该函数在空间统计学、地质统计学、机器学习、图像分析以及其他度量空间上的多变量统计分析中都有着广泛的应用。它常被用于定义两点测量值之间的协方差。由于该协方差只取决于两点间的距离，因而是平稳过程的。如使用欧几里得距离来定义距离，此时的马特恩协方差函数是各向同性的。
径向基函数是一个取值仅依赖于到原点距离的实值函数，即
ϕ
=
ϕ
{\displaystyle \phi =\phi }
。此外，也可以按到某一中心点c的距离来定义， 即
ϕ
=
ϕ
{\displaystyle \phi =\phi }
。任一满足
ϕ
=
ϕ
{\displaystyle \phi =\phi }
的函数都可称作径向函数。其中，范数一般为欧几里得距离，不过亦可使用其他距离函数。
最邻近搜索又称为“最近点搜索”，是一个在尺度空间中寻找最近点的优化问题。问题描述如下：在尺度空间M中给定一个点集S和一个目标点q ∈ M，在S中找到距离q最近的点。很多情况下，M为多维的欧几里得空间，距离由欧几里得距离或曼哈顿距离决定。
Mini wiki
