多维尺度分析（Multidimensional Scaling，MDS）是一种传统的多元统计方法，自提出以后的数十年来，随着研究的不断深入，应用范围越来越广泛。目前，学界对MDS的应用研究仍旧处在一种非常活跃的状态。MDS已经被广泛应用于经济学、管理学、心理学、社会学、考古学、生物学、医药、化学、网络分析等众多不同领域之中，并取得了较好的经济效益和社会效益。在这方面，国外的研究走在前列。MDS的处理对象一般是一组对象之间的两两相似性度量，这种相似性度量通常以对象之间的距离为标准，选取合适的距离计算方法在比较大的程度上影响着MDS的处理效果，当对象采用混合类型的属性进行描述时更是如此。目前，MDS通常以欧氏距离（Euclidean Distance）为基础。然而由于欧氏距离具有与各指标的量纲有关、不考虑各指标间的相关性等特点，MDS的处理效果将会受到一定影响。尤其是，欧氏距离对名义属性并不是一种直接的处理方式。在处理名义属性时，欧氏度量方法通常先将名义属性值用数值进行代替，然后以数值型属性的处理方式进行处理，这就从根本上否定了名义属性的固有特点，从而造成信息丢失。另一方面，MDS分为度量性MDS（Metric MDS）和非度量性MDS（Non-metricMDS），其中前者用于定量处理，后者用于定性处理。由于非度量性MDS对对象间的相异（似）性与对象间的距离关系要求不算严格，只需满足单调的顺序等级关系，不需要定量地表示出来，因此，非度量性MDS对定序数据是比较有效的。而对于名义数据（Nominal Data），度量性MDS未必有效。考虑到度量性MDS是进行的定量分析，要比进行定性分析的非度量性MDS更能精确地揭示数据的内在结构，因此对一些内容完整、含名义类型数据的数据集，我们可以考虑在优化名义数据预处理效果的基础上，采用度量性MDS进行计算。因此，考虑到欧氏距离的局限性以及MDS本身的特点，我们在根据实际问题进行修改的基础上，采用了混合值差度量（Heterogeneous Value DifferenceMetric，HVDM）来进行数据的预处理，以提高MDS对名义数据计算精确度。在UCI的Abalone数据集上进行的实验表明，这种方法有比传统的数量化方法在重构能力、重构精确度方面都有更好的表现。现实世界中，对象的特点需要从多方面进行描述，所以含名义数据的混合类型属性对象距离的计算较为常见。因此，我们的工作将对此提供一定的支持。