MARKDOWN 意见

目前wps的智能文档已经支持markdown语法，然而当里面出现latex公式时（这在各种大模型中很常见），智能文档无法识别公式，需要手动更改，当公式较少时还能接受，但当公式数量庞大时，这项工作就变得折磨起来。

实例：

本发明采用的距离度量 $D(x, y)$ 并非简单的欧氏距离，而是由空间马氏距离与时间加权距离复合而成：

$$ D = \sqrt{ D_{spatial} + \lambda \cdot D_{temporal} } $$

具体展开为：

$$ D_{spatial} = ( \vec{x}_s - \vec{y}s )^T \cdot \Sigma{spatial}^{-1} \cdot ( \vec{x}_s - \vec{y}_s ) $$

$$ D_{temporal} = ( t_x - t_y ) \cdot \frac{1}{\sigma_{time}^2} \cdot ( t_x - t_y ) $$

其中，$\vec{x}_s, \vec{y}_s$ 为空间坐标向量，$t_x, t_y$ 为时间特征值。

$\lambda$ (TIME_WEIGHT) 是调节参数（实施例中设为2.0）。该公式的优势在于：本发明采用的距离度量 $D(x, y)$ 并非简单的欧氏距离，而是由空间马氏距离与时间加权距离复合而成：

$$ D = \sqrt{ D_{spatial} + \lambda \cdot D_{temporal} } $$

具体展开为：

$$ D_{spatial} = ( \vec{x}_s - \vec{y}s )^T \cdot \Sigma{spatial}^{-1} \cdot ( \vec{x}_s - \vec{y}_s ) $$

$$ D_{temporal} = ( t_x - t_y ) \cdot \frac{1}{\sigma_{time}^2} \cdot ( t_x - t_y ) $$

其中，$\vec{x}_s, \vec{y}_s$ 为空间坐标向量，$t_x, t_y$ 为时间特征值。

$\lambda$ (TIME_WEIGHT) 是调节参数（实施例中设为2.0）。该公式的优势在于：本发明采用的距离度量 $D(x, y)$ 并非简单的欧氏距离，而是由空间马氏距离与时间加权距离复合而成：

$$ D = \sqrt{ D_{spatial} + \lambda \cdot D_{temporal} } $$

具体展开为：

$$ D_{spatial} = ( \vec{x}_s - \vec{y}s )^T \cdot \Sigma{spatial}^{-1} \cdot ( \vec{x}_s - \vec{y}_s ) $$

$$ D_{temporal} = ( t_x - t_y ) \cdot \frac{1}{\sigma_{time}^2} \cdot ( t_x - t_y ) $$

其中，$\vec{x}_s, \vec{y}_s$ 为空间坐标向量，$t_x, t_y$ 为时间特征值。

$\lambda$ (TIME_WEIGHT) 是调节参数（实施例中设为2.0）。该公式的优势在于：本发明采用的距离度量 $D(x, y)$ 并非简单的欧氏距离，而是由空间马氏距离与时间加权距离复合而成：

$$ D = \sqrt{ D_{spatial} + \lambda \cdot D_{temporal} } $$

具体展开为：

$$ D_{spatial} = ( \vec{x}_s - \vec{y}s )^T \cdot \Sigma{spatial}^{-1} \cdot ( \vec{x}_s - \vec{y}_s ) $$

$$ D_{temporal} = ( t_x - t_y ) \cdot \frac{1}{\sigma_{time}^2} \cdot ( t_x - t_y ) $$

其中，$\vec{x}_s, \vec{y}_s$ 为空间坐标向量，$t_x, t_y$ 为时间特征值。

$\lambda$ (TIME_WEIGHT) 是调节参数（实施例中设为2.0）。该公式的优势在于：

这个功能应该并不复杂，且已有软件实现，如joplin