最常用、最直观的距离度量——欧氏距离（Euclidean
Distance）。
它是我们从小学就开始接触的"两点之间直线距离"，也是通信、机器学习与信号处理领域中最基础的度量工具。
我们将从几何直觉、数学本质、物理意义、与其他距离的关系以及一张简洁的总结框图来全面了解它。
/>欧氏距离
核心思想：两点之间，直线最短
欧氏距离源自欧几里得几何，是人类最朴素的空间直觉。
几何视角：在平坦空间中，用一把无形的直尺直接测量两个点之间的直线段长度。
生活类比：测量操场上两个小朋友之间的直线距离，不管中间有没有花坛，直接拉一条直线过去量。
本质：它度量的是两个向量在绝对位置上的差异。
2.
数学定义
欧氏距离是L2范数（Euclidean
norm）的具体应用。
二维空间（平面）：
/> 这就是我们熟悉的勾股定理：直角三角形的斜边长度。 三维空间： /> n维空间（通用形式）： 其中 x=(x1,x2,...,xn)，y=(y1,y2,...,yn)。 欧氏距离的平方也经常被使用，因为它避免了开方运算，且不影响相对大小的比较： 能量度量 在物理学和信号处理中，欧氏距离的平方代表了信号的能量或噪声的功率。 如果 就是噪声的瞬时能量。 在加性白高斯噪声（AWGN）信道中，噪声的能量直接影响译码的正确概率。 旋转不变性 欧氏距离具有旋转不变性。 也就是说，如果你把整个坐标系旋转一下，两点之间的直线距离不会改变。 这符合物理世界的直觉——物体的实际距离不随你测量时站的角度而改变。/>
/>
3.
∥y−x∥2
②
③
满足距离的三条公理
欧氏距离是严格的数学距离：
非负性：d(x,y)≥0，且只有
x=y
时等于0。
对称性：d(x,y)=d(y,x)。
三角不等式：d(x,z)≤d(x,y)+d(y,z)。
4.
为什么欧氏距离如此重要？——与最大似然的等价性
欧氏距离之所以在通信中占据核心地位，是因为它与最大似然准则的深刻联系。
在加性白高斯噪声（AWGN）信道中，噪声服从高斯分布
N(0,σ2)。
此时，似然函数为：
/> 观察这个公式： 指数部分是−∥y−x∥2。 ∥y−x∥2正是欧氏距离的平方。 因为指数函数是单调的，所以： 最大化 ∥y−x∥2。 结论：在AWGN信道下，最大似然译码 最小欧氏距离译码。 这就是为什么通信接收机可以通过计算接收点到各个星座点的距离来进行判决。=
5.
直观类比：雷达屏幕上的光点
想象一个雷达显示屏（二维信号空间）：
屏幕上有很多固定的亮点，代表不同的目标位置（可能的发送码字）。
雷达扫描发现了一个新的光点（接收信号
yy）。
操作员（译码器）会判断：这个新光点离哪个已知目标最近？
如果离A目标最近，就报告发现A；如果离B最近，就报告发现B。
这个"最近"，就是欧氏距离。
6.欧氏距离
其他距离
为了帮助你更清晰地理解欧氏距离的独特性，这里与其他距离做一个对比：
| 距离类型 | 核心公式 | 直观理解 | 与欧氏距离的区别 |
|---|---|---|---|
| 欧氏距离 | ∑(xi−yi)2 | 直线距离 | 基准，最直观 |
| 曼哈顿距离 | ∑∥xi−yi∥ | 只能沿轴走 | 欧氏是斜线，曼哈顿是直角折线 |
| 切比雪夫距离 | max∥xi−yi∥ | 棋盘国王步数 | 欧氏看总和，切氏看最大偏差 |
| 马氏距离 | (x−μ)TS−1(x−μ) | 相关性修正 | 欧氏假设各向同性，马氏考虑数据形状 |
| 余弦距离 | 1−x⋅y∥x∥∥y∥ | 方向夹角 | 欧氏看重绝对位置，余弦只看方向 |
7.
应用场景
数字通信：QPSK、QAM等调制方式的星座图译码。
机器学习：
K-means聚类：通过计算点到聚类中心的欧氏距离来分配类别。
K近邻算法（KNN）：通过计算样本间的欧氏距离来寻找最近的K个邻居。
图像处理：计算图像像素值的差异。
计算机图形学：计算三维空间中两个顶点的距离。
全球定位系统（GPS）：计算两个经纬度坐标之间的球面距离（本质是大圆距离，但局部近似可用欧氏）。
/>
欧氏距离总结框图
下面这张Mermaid框图简洁明了地展示了欧氏距离的核心逻辑、物理意义、数学基础与典型应用。
/> 欧氏距离是度量空间的直觉原点——它用直线连接万物，用平方累积差异，在高斯噪声的世界里，它就是最大似然决策的那把最直接的尺子。总结一句话
