欧氏距离与曼哈顿距离:比较与选择
1.背景介绍
在人工智能和大数据领域,距离度量是非常重要的。不同的距离度量方法对应不同的应用场景,因此选择合适的距离度量方法对于算法的效果至关重要。欧氏距离和曼哈顿距离是两种常见的距离度量方法,它们在不同的场景下有不同的优缺点。在本文中,我们将对这两种距离度量方法进行详细的比较和分析,并提供一些实际的代码示例,以帮助读者更好地理解它们的区别和应用。
2.核心概念与联系
2.1 欧氏距离
欧氏距离,也称为欧几里得距离,是指在欧几里得几何空间中,两点之间的距离。在二维空间中,欧氏距离可以通过以下公式计算:
在三维空间中,欧氏距离可以通过以下公式计算:
欧氏距离具有以下特点:
- 非负性:欧氏距离是一个非负的数,表示两点之间的距离,不能为负数。
- 对称性:欧氏距离是一个对称的数,如果点A与点B之间的距离为d,那么点B与点A之间的距离也为d。
- 三角不等式:欧氏距离满足三角不等式,即点A、点B和点C之间的距离满足:d(A, B) + d(B, C) >= d(A, C)。
2.2 曼哈顿距离
曼哈顿距离,也称为马尔可夫距离或城市块距离,是指在曼哈顿市区的街道网格上两点之间的距离。在二维空间中,曼哈顿距离可以通过以下公式计算:
在三维空间中,曼哈顿距离可以通过以下公式计算:
曼哈顿距离具有以下特点:
- 非负性:曼哈顿距离是一个非负的数,表示两点之间的距离,不能为负数。
- 对称性:曼哈顿距离是一个对称的数,如果点A与点B之间的距离为d,那么点B与点A之间的距离也为d。
- 三角不等式:曼哈顿距离满足三角不等式,即点A、点B和点C之间的距离满足:d(A, B) + d(B, C) >= d(A, C)。
3.核心算法原理和具体操作步骤以及数学模型公式详细讲解
3.1 欧氏距离算法原理
欧氏距离算法的原理是基于欧几里得几何空间中两点之间的距离计算。在二维空间中,欧氏距离可以通过以下公式计算:
在三维空间中,欧氏距离可以通过以下公式计算:
具体操作步骤如下:
- 获取两个点的坐标(在二维空间中,点的坐标为(x1, y1)和(x2, y2);在三维空间中,点的坐标为(x1, y1, z1)和(x2, y2, z2))。
- 计算两个点之间的差值:x1 - x2、y1 - y2(或z1 - z2)。
- 将差值平方:(x1 - x2)^2、(y1 - y2)^2(或(z1 - z2)^2)。
- 将平方差值相加:(x1 - x2)^2 + (y1 - y2)^2 + (z1 - z2)^2(或(x1 - x2)^2 + (y1 - y2)^2)。
- 取平方和的平方根,得到欧氏距离。
3.2 曼哈顿距离算法原理
曼哈顿距离算法的原理是基于曼哈顿市区的街道网格上两点之间的距离计算。在二维空间中,曼哈顿距离可以通过以下公式计算:
在三维空间中,曼哈顿距离可以通过以下公式计算:
具体操作步骤如下:
- 获取两个点的坐标(在二维空间中,点的坐标为(x1, y1)和(x2, y2);在三维空间中,点的坐标为(x1, y1, z1)和(x2, y2, z2))。
- 计算两个点之间的差值:x1 - x2、y1 - y2(或z1 - z2)。
- 将差值绝对值,得到绝对差值:|x1 - x2|、|y1 - y2|(或|z1 - z2|)。
- 将绝对差值相加:|x1 - x2| + |y1 - y2| + |z1 - z2|(或|x1 - x2| + |y1 - y2|)。
- 得到曼哈顿距离。
4.具体代码实例和详细解释说明
4.1 欧氏距离的Python实现
import math
def euclidean_distance(point1, point2):
x1, y1 = point1
x2, y2 = point2
return math.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2)
# 二维空间中两点的坐标
point1 = (1, 2)
point2 = (4, 6)
print(euclidean_distance(point1, point2))
# 三维空间中两点的坐标
point1 = (1, 2, 3)
point2 = (4, 6, 8)
print(euclidean_distance(point1, point2))
4.2 曼哈顿距离的Python实现
def manhattan_distance(point1, point2):
x1, y1 = point1
x2, y2 = point2
return abs(x2 - x1) + abs(y2 - y1)
# 二维空间中两点的坐标
point1 = (1, 2)
point2 = (4, 6)
print(manhattan_distance(point1, point2))
# 三维空间中两点的坐标
point1 = (1, 2, 3)
point2 = (4, 6, 8)
print(manhattan_distance(point1, point2))
5.未来发展趋势与挑战
随着人工智能和大数据技术的发展,距离度量方法将会在更多的应用场景中得到广泛应用。欧氏距离和曼哈顿距离是经典的距离度量方法,但它们在某些场景下可能不适用。因此,未来的研究方向包括:
- 寻找更合适的距离度量方法,以满足不同应用场景的需求。
- 研究基于深度学习的距离度量方法,以提高计算效率和准确性。
- 研究多模态数据的距离度量方法,以处理多模态数据的应用场景。
挑战包括:
- 如何在高维空间中计算距离,以处理大规模数据。
- 如何在实时应用场景中计算距离,以满足实时性要求。
- 如何在不同应用场景下选择合适的距离度量方法。
6.附录常见问题与解答
Q1. 欧氏距离和曼哈顿距离有什么区别? A1. 欧氏距离是基于欧几里得几何空间的距离计算,它考虑了点之间的直线距离。曼哈顿距离是基于曼哈顿市区的街道网格上的距离计算,它考虑了点之间的城市块距离。
Q2. 在什么场景下应该使用欧氏距离,在什么场景下应该使用曼哈顿距离? A2. 欧氏距离适用于需要考虑点之间直线距离的场景,如图像识别、地理位置定位等。曼哈顿距离适用于需要考虑点之间城市块距离的场景,如地理位置相似性判断、商品推荐等。
Q3. 如何选择合适的距离度量方法? A3. 选择合适的距离度量方法需要根据具体应用场景和需求来决定。需要考虑点之间的距离是否需要考虑直线距离,是否需要考虑城市块距离等因素。在某些场景下,可以尝试多种距离度量方法,通过对比结果来选择最佳方法。
下一篇: 扩展欧氏算法(扩展 GCD)详解
推荐阅读
-
欧氏距离与曼哈顿距离:比较与选择
-
RCWL-0516/RCWL-9196模块简介 & 微波感应模块简介-前言 RCWL-0516是一款由无锡日晨物联科技有限公司开发的微波感应模块(资料下载),见图0.0、图0.1,用于检测物体(人体)移动,具有以下特征: 1.穿透感应:可穿透适当厚度的玻璃、木板以及墙壁。 2.抗干扰:不受温度、灰尘等环境因素影响。 3.感应距离:5~8m(可调,见后文) 4.可重复触发、触发时间可调(见后文) 5.工作电压:3.3~18V 6.稳压输出:提供3.3V电压输出(最大100mA) 7.夜晚自动工作:外接光敏电阻和一个电阻实现 当模块检测到物体在感应范围内移动时,OUT引脚输出一段时间的高电平(该时间可通过电容“C-TM”调节,见后文);若在输出高电平期间再次检测到物体移动,高电平持续时间将延长一段时间(又称为重复触发),该时间不可叠加。 模块使用的注意事项如下,示意图见图0.2: 1. 感应面正前方不能有金属遮挡。 2. 感应面前后方预留2cm以上空间。若对灵敏度要求很高,应预留4cm以上距离,且模块后方遮挡空间应尽可能小。 3. 模块与安装载体平面尽可能平行。 4. 有元器件面为正感应面,反面为负感应面,负感应面效果略差。 5. 相同模块,单个个体之间间距应大于2m。 图0.0-模块实物图(正) 图0.1-模块实物图(反) 图0.2-感应区域示意图 原理 关于此模块的原理,有2种主流观点,这些观点所争论的焦点在于哪种解释是最主要的: 1. 以Roger Clark为代表的“反射”解释:模块上的振荡器会发射出微波信号,位于模块感应区域内的物体会反射模块所发出的微波信号,这些反射信号又被模块所接收,接收到的反射信号会改变流经晶体管发射极的电流I。外界环境不变的情况下,模块内部的调节电路会稳定振荡器,此时振荡器处于稳定状态,电流I也处于稳定;当外界环境发生变化(例如,有物体进入感应区域),该物体的反射信号会使振荡器暂时失去稳定,从而导致电流I发生变化。模块通过检测该电流I的变化,以检测物体移动。此过程中,发射频率的变化只是由于振荡器受反射信号影响而进入一个“暂稳态”所导致。 2.以Joe Desbonnet为代表的“多普勒效应”解释:位于模块感应区域内的物体会反射模块所发出的微波信号,这些反射信号的频率由于物体移动而发生改变(多普勒效应)。模块通过对比发射与反射频率的差异,以判断是否有物体进入感应区域。 应用 降低感应距离:模块背面丝印“R-GN”处添加1MΩ的电阻,模块的感应距离可降低到5m;如果不接,感应距离为7m。 调节触发时间:模块背面丝印“C-TM”处添加不同容值的电容,可以调节触发时间(“C-TM”电容容值的选择见后文);若不安装电容,触发时间为2~4s。 夜晚自动工作:模块正面丝印“CDS”处添加光敏电阻、模块背面丝印“R-CDS”处添加适当阻值的电阻,可控制模块在夜晚自动工作。“CDS”与“R-CDS”的选择方法见后文。 以上应用的实际电路请参考图1.0、图1.1。 图1.0-测试电路(正) 图1.1-测试电路(反) 测试 测试由5部分组成: 1.测量模块处于不同状态时的功耗,见表0.0。 2.未接入电阻“R-GN”时,测试模块最大感应距离,见表0.1。 3.接入电阻“R-GN”,测试模块最大感应距离,见表0.2。 4.以下步骤将介绍如何根据确定的光敏电阻“CDS”,选择电阻“R-CDS”的阻值,以实现模块夜间自动工作的功能。 1-白天,接入可调电阻“R-CDS”(推荐2MΩ)、光敏电阻“CDS”。 2-触发模块后(在模块面前走动),调节可调电阻,直到触发消失。再次尝试触发模块,正常情况下,模块应该无法被触发(如果可以触发,重复步骤2)。 3-将光敏电阻感光面遮住,尝试触发模块,正常情况下,模块应该可以被触发(如果无法触发,重复步骤3)。 4-此时可调电阻阻值即为电阻“R-CDS”的正确阻值。 5.电容“C-TM”分别接入不同容值的无极电容,测试模块单次触发所持续的时间,见表0.3。 测试条件 总电流(mA) 总功耗(mW) +5V供电电压,模块未触发 3.63 18.15 +5V供电电压,模块被触发 4.33 21.65 表0.0-模块功耗信息 正面最大感应距离(M) 6 反面最大感应距离(M) 2 表0.1-未接入电阻“R-GN”时,模块最大感应距离[1] 正面最大感应距离(M) 5 反面最大感应距离(M) 1 表0.2-接入电阻“R-GN”=1MΩ时,模块最大感应距离[1] 电容“C-TM”容值 悬空 103(10nF) 104(100nF) 224(220nF) 474(470nF) 105(1uF) 理论单次触发时间(s) 2~4 6 30 66 140 300 实际单次触发时间(s) 3 6 32 67 122 210 表0.3-电容“C-TM”容值 vs. 模块单次触发持续时间 结论 RCWL-0516是一款性价比高的人体感应模块,具有以下优缺点: 优点:
-
《京沪公园使用大数据报告》解读城市公园新机遇-Part One 公园基本情况 1 城市公园分布 城市公园分布广泛,主要集中在中心城区和郊区的居住密集区 根据公开数据,北京市注册公园数为403个(2016年),上海市为165个(2015年)。基于腾讯地图,找到京沪两地所有公园的位置点信息,将它们画在地图上,可以发现,城市公园分布广泛,并且主要集中在中心城区和郊区的居住密集区。 公园数量数据来源:北京-《瞭望东方周刊》,上海-2016年上海市统计年鉴; 公园位置点信息来源:腾讯地图POI数据; 2 人均公园绿地面积 北京北部、上海东北部人均公园绿地面积较多 数据显示,截至2015年年末,北京的人均公园绿地面积为13.6平方米/人,上海则为7.6平方米/人。从各区人均公园绿地面积的数据可以看出,受区域面积和人口数量的双重制约,城市中心区的人均公园绿地面积通常较小。北京人均公园绿地面积较多的地区主要是在北部,而上海则是在东北部。 数据来源:北京市园林局网站,2016年上海市统计年鉴 Part Two 公园受欢迎程度 1 网络热度 哪些公园是“网红”? 樱花季促成玉渊潭公园和顾村公园最热! 根据腾讯位置大数据,春季时,在我们选取的几个公园中,用户通过社交分享最多的公园,北京是玉渊潭公园,上海是顾村公园。这两个公园的热度远远领先其他公园,成为当之无愧的“网红”公园。玉渊潭公园和顾村公园在春季都有樱花节活动,京沪两地的植物园在春季也有较高的网络热度。 注:社交分享包括微信朋友圈、QQzone等社交工具中的签到信息 2 公园吸引力程度 公园有多吸引人? 部分大型公园超50%的游客来源于10公里外 公园的吸引力可以用到访者居住地到公园的直线距离的中位数来衡量。根据腾讯位置大数据分析,京沪两地都是知名公园吸引力较大。以北京颐和园和上海辰山植物园为例,50%的游客来源于20.3公里和17.6公里以外。热度最高的北京玉渊潭公园和上海顾村公园也有较高的吸引力。 3 外地游客比例 只有知名公园有外地游客? 社区公园仍有5~10%的外地游客到访 颐和园作为全国景点,毫不意外,外地游客比例高达40%,远超京沪其他公园。上海的公园中,人民公园的外地游客比例达到19%,可能与其临近旅游热点南京路和人民广场有关。总的来说,本身就是景点或临近人群聚集地的公园外地游客比例高。通常意义上社区公园主要服务于当地居民,而数据显示,京沪的社区公园仍有5~10%的外地游客到访。 Part Three 公园使用情况 1 工作日和周末人流量对比 北京奥林匹克森林公园超200%, 上海辰山植物园周末游客增幅达170% 大型的综合公园、主题公园、郊区公园周末人流量都有至少50%的增长,北京的奥林匹克森林公园、南海子郊野公园,上海的辰山植物园、顾村公园,周末游客增幅达到了100%以上。一些距离工作区较近的公园如上海陆家嘴中心广场公园、北京CBD历史文化公园,周末时人流量则出现了明显下降。 2 人流量随时间变化 上海的周末人流高峰期更晚更集中 上海中心型公园、主题型公园和郊区公园的高峰期在周末更为集中,并会发生明显推迟,到14~15点才达到人流量高峰。而北京的公园在上午10~12点期间就进入了高峰期,在15~16点也有一个高峰期。 Part Four 位置大数据带来的启示 1 建立合理的公园体系结构 丰富体系结构:大型公园和小微公园结合,优化空间利用率 公园的使用情况可以用空间利用效率衡量,即“到访人数/公园面积” 。从数据来看,京沪两地空间利用效率高的公园都是中小型公园,而大型公园的空间利用效率则较低; 考虑到安全、环境等管理成本,大型公园多采取收费、围合等管理模式,这会降低公园的空间利用率,可进一步研究费用高低、范围设定和利用率的关系,优化空间利用率; 合理的城市公园体系还需要与就业中心结合的公园以及服务社区的公园。在空间资源日益紧张的大城市,除了在郊区新建大型公园外,在城市中心区新建更多的微型、小型公园也是不错的选择。 2 混搭多种功能区域 混搭区域功能:城市公园选址宜与多种功能区域搭配,关注慢行设施 城市公园可以和工作区、商圈、公共活动区等多种区域相结合。公园在工作日可服务于区域就业、商务人士,在周末也可以服务市民休闲和社会活动。有利于凝聚人气,更大地发挥公园的功能。如上海的徐家汇公园,周边是写字楼聚集区,又是商圈,同时又有大量居民区,周末的空间利用效率相比于工作日反升8%;。 关注公园周边慢行设施的设计,方便游客步行到达。结合热力图和三维地图可以看出,徐家汇公园东西两侧的汇金广场、港汇广场、徐家汇国际大厦、宛平宾馆、上海财政局等是公园使用者集聚程度最高的地区。五洲国际广场、均瑶国际广场虽然距离较远,但是沿肇嘉浜路到徐家汇公园较为便捷,也在步行范围内,所以也同样具有较高互动性。可见便利的慢行设施可以增强公园和周边的互动。 3 位置大数据优化公园服务 优化公园服务:根据到访人群来源判断服务偏向,提供精准服务 通过位置大数据,可以识别出公园的服务偏向,判断公园的使用是否符合预期,及时优化公园内部及周边服务设施。服务偏向可以根据到访过公园的游客工作或居住在公园周边2公里内的占比判断。如北京的北小河公园、上海的彭浦公园等服务周边的居住人群更多,这些公园可以考虑多配备小广场、健身器材、儿童游乐场等设施;而北京的CBD历史文化公园、上海的西康公园服务工作人群更多,则可以考虑多进行绿化并配备长椅等休闲设施。 4 位置大数据助力公园管理 助力公园管理:位置大数据提供精准宣传和功能评估依据 在“互联网+”日益发达的今天,位置大数据可以帮助有意发展旅游产业的城市公园:
-
胶粘物分割与计数应用实践(II)--基于距离变换+分水岭算法的 Halcon/OpenCV 实现比较
-
探探应用实战解析:专为寻找附近异性与兴趣相投者设计" 用户需求与烦恼: 1. 身边异性朋友寥寥,扩大交友圈子无从下手 2. 初来乍到新城市,渴望交到本地朋友或异性知己 3. 遇到心仪对象,想提前了解彼此是否志趣相投 4. 对心动异性不敢主动搭讪,害怕被拒场面尴尬 产品界面: - a: 设置选项 - b: 主页 - c: 配对成功的通知 探探的核心功能: - 基于位置和兴趣标签,推荐附近的高匹配度陌生人,显示真人照片、基本信息(如昵称、年龄、职业、距离)、共同点(如通讯录好友、兴趣爱好)。 - 双方需同时向右滑动表示“喜欢”才能配对成功,可进行文字、表情、真心话问答、图片/视频等多种交流方式。 产品特点与独特之处: - 陌生人间的选择操作直观易懂,左滑忽略、右滑喜欢。 - 系统不会记录“喜欢”历史,仅当双方都喜欢才会成功配对并展开后续交流。 - 每个陌生人只会展示一次,确保每一次抉择都有决定性意义。 - 提供屏蔽手机联系人的功能,满足用户既想脱单又不愿让熟人知晓的需求,符合探探专注陌生人社交平台定位。 商业模式探讨:
-
简单易懂版 - 什么是粒子群算法(PSO)?" - PSO 是这样工作的: 想象一群小鸟寻找食物,它们会互相学习、竞争并跟随最优秀的伙伴。这就是模仿群体智慧(Swarm Intelligence,SI)的粒子群优化算法,由 Eberhart 博士和 Kennedy 博士创造,属于多智能体优化系统(MAOS)的一员。 - 数学背后的逻辑: - 每只“鸟”(粒子)依据邻居过去的发现来飞得更好: 1. 受到激励的好位置(Pbest) 2. 与附近伙伴的成绩对比 3. 阿婆姨领先者的模仿 - 模型简化来说,每个粒子像 D 维空间的理想点,按特定速度飞行,速度随自身经验和同伴表现实时调整。我们用 Xi 表示 D 个粒子的集合,其中 Pi 存储过最佳位置,Pg 是群体中最优的位置,Vi 是粒子的速度。 - 更新规则: - **速度更新**:有点像梯度下降法中的导数概念,但因鸟群数量大,能有效跳出局部最优区域,引导群体朝全局最优方向前进。 - **位置更新**:在固定的时间内,新移动的距离就是 Vi(即速度向量在单位时间内的累积效果)。 - 参数简述:粒子群算法涉及多个参数,如粒子数量、学习因子(影响对过去经验的重视程度)、加速常数(控制探索与利用之间的平衡),这些参数的选择会影响算法的实际性能和收敛速度。
-
科比鹰郡事件始末最强解析(全文)-插曲:OK两人最初的相识。OK两人在齐聚湖人之前就曾相遇。1992年,14岁的科比通过父亲的关系,进入了奥兰多更衣室向便士哈达威索要签名,但遭到置之不理,反倒是新秀时期的奥尼尔对科比鼓励有加,不仅给他签名,还和科比聊了很多,并且希望日后能在NBA看见科比,没想到一语成真,后者真的成为了他的队友,这也是日后奥尼尔对于科比和自己的矛盾产生仇恨心里的原因,因为奥尼尔始终认为最初对科比的善意没有换来以德报德。 多年以后,鹰郡事件女主角凯特琳澄清事实。据她自述,当时她是为了给母亲凑医药费,设法和科比发生关系,目的就是为了钱,科比支付的赔偿金拯救了她的母亲。最终事情真相浮出水面,这是有预谋的“仙人跳”讹诈,但是好事依然不出门。 不得不说,鹰郡事件是科比犯下的错。自此,除了篮球以外,科比将更多的时间回归家庭。然而鹰郡事件最大的受害者是科比本人和他的妻子瓦妮莎。那么他们都有哪些损失呢? 在道德上:科比饱受批评,引发不少妇女团体对他不满,甚至受人唾弃。 image 在家庭上:科比与瓦妮莎产生了信任危机,尤其是瓦妮莎的流产导致这个家庭失去了第二个孩子,而这个孩子或许是科比夫妇唯一的儿子。因此这件事让科比一直很后悔。 在金钱上:科比的律师费(至少1200万美元)、赔偿费(不少于500万美元)、再加上往返奔波费、诉讼费等估计超过2000万美金。此外商业上严重受阻,商业价值跌落谷底,赞助商几乎抛弃了他,阿迪达斯也在这个时候和科比解约。其经济损失不可估量。 在事业上:球迷的质疑和谩骂声音不断;湖人队内部发生微妙变化,队友和他有了一定距离;禅师菲尔杰克逊在得知科比“强奸”女性后更是对他区别对待,因为禅师的女儿曾经经历了强奸,他对科比十分厌恶,间接地导致禅师离开了湖人队;OK这对王炸组合解散;大卫斯特恩放弃了科比的造神计划,迅速将资源推向了詹姆斯;赛场上,虽然科比有着赶场法则的传奇,但就整个03—04赛季而言,科比表现起起伏伏,整体状态下滑明显。 image 不可否认,鹰郡事件导致科比处在生涯最低谷的时刻,那个阶段也许只有麦迪经常陪在科比身边给他带来一些安慰。但接下来科比以他顽强的意志和超乎常人的努力为自己进行救赎:三节打卡62分、单场81分神迹、连续4场50+、更改球衣号码变成黑曼巴、连续双一阵、MVP、奥运会冠军、两连冠+FMVP…… 现在回想起来,连当时受伤害最大的瓦妮莎都选择原谅了科比,但键盘侠们依然指指点点。 2018年3月5日,科比凭借其亲自参与制作并配音的退役动画短片《亲爱的篮球》获得了第90届奥斯卡“最佳动画短片奖”,而“小金人”的巨大荣誉,让奥尼尔都自嘲“兄弟,你真的让我羡慕!真没法追逐你了”,同时他也因此被选为了Animation Is电影节的评委。 image 随后科黑以“鹰郡事件”为理由向奥斯卡请愿,要收回科比的小金人,虽然小金人未收回,但10月18日,科比被取消了电影节的评委资格。 时间回到2020年。 1月26日科比因直升机坠毁意外身亡。斯人已逝,可喷子们还是没有放过他。有些人甚至借科比死亡这一消息来蹭热度! 就在科比去世的第二天,美国女演员埃文·蕾切尔·伍德(Evan Rachel Wood)在推特上称呼科比为“强奸犯”,遭到美国网友们的强烈反对。 一周后,据2月3日《每日邮报》消息,迪斯尼的女继承人阿比盖尔·迪斯尼在社交网络上连续发了24个帖子,直指2003年科比的性侵事件,认为科比犯强奸罪,强调科比不该被神化,他不是上帝。 但也有很多人相信科比没有强奸,据2月4日《每日邮报》报道,WNBA传奇女篮运动员丽莎·莱斯利为科比辩护,认为科比不是用武力侵犯女性的人,科比的妻子也一直在维护自己逝去的丈夫…… image 然而,不管是怎样的事实,即使法律宣判了科比无罪,即使是被敲诈勒索,成为受害人,可事到如今,科比依然被很多人戴上“强奸犯”的帽子,对于一个已经逝世的人来说,这是他最大的损失。 插曲:中国官方媒体对科比的态度,只列举一下几个主要媒体。