我想从可能包含（实验）错误的距离矩阵中找到3D中一组点的坐标。
建议here的方法不对称（以不同方式对待第一点），当存在不确定性时，这是不够的。 这些不确定性可能会导致数值不稳定，如here所示。但是这个问题的答案也假定了确切的数据。
所以我想看看是否有任何统计方法能够最好地利用数据冗余来最小化预测坐标中的误差，并避免因距离不一致而导致的潜在不稳定性。
我知道最终结果对刚体翻译和旋转是不变的。
如果您可以建议存在或基于numpy / scipy的算法，那将是很好的，但也欢迎一般性建议。
答案 0 :(得分：2)
在询问this same question in cross correlated @wuber编辑我的帖子后，添加了 multidimensional-scaling 关键字。使用此关键字，我可以从维基百科找到许多算法： https://en.wikipedia.org/wiki/Multidimensional_scaling