我正在研究一种算法，该算法将从多个传感器流中获取最新数据点的向量，并将欧几里德距离与以前的向量进行比较。问题在于，不同的数据流来自完全不同的传感器，因此采用简单的欧几里德距离将大大过分强调某些值。显然，我需要某种方式来规范化数据。但是，由于该算法是设计为实时运行的，因此在规范化过程中，我无法整体使用有关任何数据流的任何信息。到目前为止，我一直在跟踪每个传感器在启动阶段看到的最大值（前500个数据向量），然后将来自该传感器的所有将来数据除以该值。这工作出奇地好，但是感觉很不雅致。
我并没有为找到一个预先存在的算法而感到幸运，但是也许我只是没有在正确的地方寻找。有人知道吗？或有什么想法？我看到一个建议使用移动平均值（可能是由Wellford的算法计算得出的），但是如果我这样做了，那么相同值的多个读数将不会显示为相同，这似乎是一个很大的问题，除非我缺少一些东西。任何想法表示赞赏！谢谢！
Answers:
根据您的问题，我了解您正在寻求：
这是我要开始的地方
1.对于第一个问题：要去除均值和白化是您要寻找的。白化转换可确保您的功能均处于相同的动态范围内。
我将做出一些简化的假设，这些假设可能是完全相关的，但非常适合作为构建的起点。
假设您的数据是单峰的，则它具有一个明显的均值。我先减去数据的均值并执行白化转换（可能是PCA，也许是ZCA，具体取决于您的数据）
如果要实时执行此操作，我将使用运行中的样本计数来在移动的窗口上执行增白。确保您有足够的样本来使白化准确（白化需要协方差矩阵是可逆的，并且与传感器相比，您需要更多的时间样本）。
现在，如果您的数据不是单峰的，我可能会聚类数据以查看模式所在的位置。从根本上讲，对于每个到达的新点，我都会将其关联到适当的群集并从那里移动。
2.为了有效地测量到过去点的距离，我将使用马氏距离。实际上，马哈拉诺比斯距离几乎是白色空间中的欧几里得距离。
总之，请阅读有关增白和马氏距离的信息，我认为这些将为您指明方向。