MIT_线性代数笔记:第 24 讲 马尔可夫矩阵;傅里叶级数

目录

  • 马尔可夫矩阵 Markov matrices
  • 傅里叶级数 Fourier series

本讲学习马尔可夫矩阵和傅里叶级数,两者是关于特征值和投影矩阵的应用。

马尔可夫矩阵 Markov matrices

A = [ 0.1 0.01 0.3 0.2 0.99 0.3 0.7 0 0.4 ] A = \begin{bmatrix} 0.1 & 0.01 & 0.3 \\ 0.2 & 0.99& 0.3\\ 0.7 & 0& 0.4 \end{bmatrix} A= 0.10.20.70.010.9900.30.30.4
形如矩阵 A,任何元素非负,且每列的元素加和为 1 的矩阵被称为马尔可夫矩阵。马尔可夫矩阵主要应用在概率领域。将一个马尔可夫矩阵进行方幂运算得到的仍旧是马尔可夫矩阵。

当处理一个微分方程问题时,特征值 0 意味着得到一个稳态。当进行矩阵的方幂运算时,特征值给出稳态的条件包括:

  1. λ 1 λ_1 λ1=1 是特征值之一。
  2. 其它特征值的绝对值都比 1 小, ∣ λ i ∣ \begin{vmatrix} λ_i \end{vmatrix} λi <1。

如我们所知,如果矩阵具有 n 个线性无关的特征向量,则有:
U k = A k U 0 = c 1 λ 1 k X 1 + c 2 λ 2 k X 2 + . . . . . . + c n λ n k X n U_k = A^kU_0 =c_1λ_1^kX_1 + c_2λ_2^kX_2 + ...... +c_nλ_n^kX_n Uk=AkU0=c1λ1kX1+c2λ2kX2+......+cnλnkXn

如果 λ 1 λ_1 λ1=1 并且其他的特征值都小于 1,则系统在 k 增大过程中趋近于 u 0 u_0 u0的分量 c 1 x 1 c_1x_1 c1x1,即给出了一个稳态状况。这里特征向量 x 1 x_1 x1的每一分量都是正的,因此若初始值为正,则最终的稳态也是正的。

Markov 矩阵每一列的元素加和为 1 这个条件,保证了矩阵具有 1 这个特征值。
A − I = [ − 0.9 0.01 0.3 0.2 − 0.09 0.3 0.7 0 − 0.6 ] A - I = \begin{bmatrix} -0.9 & 0.01 & 0.3 \\ 0.2 & -0.09& 0.3\\ 0.7 & 0& -0.6 \end{bmatrix} AI= 0.90.20.70.010.0900.30.30.6
从每一列减去 1,则每列的加和都从 1 变为 0。这时候行向量相加的结构就是 0向量,因此行向量线性相关,矩阵为奇异矩阵。矩阵 A 有特征向量在 A-I 的零空间中,其对应的特征值为 1。回带计算可得 x 1 x_1 x1 = [ 0.6 33 0.7 ] \begin{bmatrix} 0.6\\33\\0.7 \end{bmatrix} 0.6330.7

我们用马尔可夫矩阵来研究人口流动问题。
[ u c a l u m a s s ] t = k + 1 = [ 0.9 0.2 0.1 0.8 ] [ u c a l u m a s s ] t = k \begin{bmatrix} u_{cal} \\ u_{mass} \end{bmatrix}_{t=k+1} = \begin{bmatrix} 0.9 & 0.2 \\ 0.1 & 0.8 \end{bmatrix} \begin{bmatrix} u_{cal} \\ u_{mass} \end{bmatrix}_{t=k} [ucalumass]t=k+1=[0.90.10.20.8][ucalumass]t=k

方程中 u 的分量分别代表加利福尼亚州和马萨诸塞州的人口,矩阵中的每一列中元素代表着人口去留比例,比如第一列 0.9 表示留在加州的人口占加州人口的90%,而 10%进入麻省,第二列中由麻省进入加州的人口占麻省的 20%,而 80%选择留在麻省。可以看到列向量分量的加和为 1 保证了整体人数不会变化,而在这种问题中矩阵也不会出现负的元素。

如果取初值 [ u c a l u m a s s ] 0 \begin{bmatrix} u_{cal} \\ u_{mass} \end{bmatrix}_{0} [ucalumass]0 = [ 0 1000 ] \begin{bmatrix} 0 \\ 1000 \end{bmatrix} [01000]

则经过一次迁徙 [ u c a l u m a s s ] 1 \begin{bmatrix} u_{cal} \\ u_{mass} \end{bmatrix}_{1} [ucalumass]1 = [ 0.9 0.2 0.1 0.8 ] \begin{bmatrix} 0.9 & 0.2 \\ 0.1& 0.8 \end{bmatrix} [0.90.10.20.8] [ 0 1000 ] \begin{bmatrix} 0 \\ 1000 \end{bmatrix} [01000] = [ 200 800 ] \begin{bmatrix} 200 \\ 800 \end{bmatrix} [200800]

为了获取长时间后的人口分布,我们需要了解矩阵的特征值和特征向量。因为这是马尔可夫矩阵,所以有一个特征值 1,则另一个特征值为

0.9+0.8-1=0.7。可以求得 x1= [ 2 1 ] \begin{bmatrix} 2\\1 \end{bmatrix} [21],x2= [ 1 − 1 ] \begin{bmatrix} 1\\-1 \end{bmatrix} [11]。从 [ 2 1 ] \begin{bmatrix} 2\\1 \end{bmatrix} [21],可知最后的稳态为加州人口 2/3,麻省人口 1/3。

通解为: u k = c 1 [ 2 1 ] + c 2 ( 0.7 ) k [ − 1 1 ] u_k = c_1 \begin{bmatrix} 2 \\ 1 \end{bmatrix} + c_2(0.7)^k \begin{bmatrix} -1 \\ 1 \end{bmatrix} uk=c1[21]+c2(0.7)k[11] ,可以从 u0解得 c1=1000/3,c2=2000/3。

傅里叶级数 Fourier series

如果有一组标准正交基 q 1 , q 2 … … q n q_1,q_2……q_n q1q2……qn为则任意向量 v 可以写成:

v = x 1 q 1 + x 2 q 2 … … x n q n v = x_1q_1+x_2q_2……x_nq_n v=x1q1+x2q2……xnqn
因为当 i,j 不相等时有 q i T q j q_i^Tq_j qiTqj=0。因此有 q i T v = x 1 q i T q 1 + x 2 q i T q 2 … … x n q i T q n = x i q_i^Tv=x_1q_i^Tq_1+x_2q_i^Tq_2……x_nq_i^Tq_n=x_i qiTv=x1qiTq1+x2qiTq2……xnqiTqn=xi
我们得到了分量 xi的公式: x i = q i T v x_i=q_i^Tv xi=qiTv
因为 v = [ q 1 . . . q n ] [ x 1 . . . x n ] v=\begin{bmatrix} q_1&...& q_n\end{bmatrix}\begin{bmatrix} x_1\\...\\ x_n\end{bmatrix} v=[q1...qn] x1...xn ,即 v = Q x v=Qx v=Qx,所以 x = Q − 1 v x =Q^{-1}v x=Q1v

因为 Q 为正交矩阵,所以有 Q − 1 = Q T Q^{-1}=Q^T Q1=QT x = Q T v x=Q^Tv x=QTv,这与我们之前得到的 x i = q i T v x_i=q_i^Tv xi=qiTv 完全相同。这里给出了求分量的思路就是用空间的一组标准正交基去点乘目标向量,利用其标准正交的性质得到所求。

标准正交是此处的核心概念。而傅里叶级数也是在这个概念上构建的。我们可以对任意函数做傅里叶展开,得到表达式:
f ( x ) = a 0 + a 1 c o s x + b 1 s i n x + a 2 c o s 2 x + b 2 s i n 2 x + . . . f(x) = a_0 + a_1cosx +b_1sinx +a_2cos2x +b_2sin2x +... f(x)=a0+a1cosx+b1sinx+a2cos2x+b2sin2x+...

与之前的有限个标准正交向量组成的正交矩阵不同,这个空间是无限维,它的一组基是 1,cosx,sinx,cos2x,sin2x……
此处的正交概念与 Rn空间不同,点积的概念也不同。
向量 V T W = v 1 w 1 + v 2 w 2 + . . . + v n w n 向量 V^TW =v_1w_1+v_2w_2+...+v_nw_n 向量VTW=v1w1+v2w2+...+vnwn
函数 f T g = ∫ 0 2 π f ( x ) g ( x ) d x 函数 f^Tg =\int^{2π}_0{f(x)g(x)}{\rm d}x 函数fTg=02πf(x)g(x)dx
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/601290.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

所有单片机使用的汇编语言是统一的吗?

所有单片机使用的汇编语言是统一的吗&#xff1f; 在开始前我有一些资料&#xff0c;是我根据网友给的问题精心整理了一份「单片机的资料从专业入门到高级教程」&#xff0c; 点个关注在评论区回复“888”之后私信回复“888”&#xff0c;全部无偿共享给大家&#xff01;&…

十大性能测试工具

这篇关于“性能测试工具”的文章将按以下顺序让您了解不同的软件测试工具&#xff1a; 什么是性能测试&#xff1f; 为什么我们需要性能测试&#xff1f; 性能测试的优势 性能测试的类型 十大性能测试工具 什么是性能测试&#xff1f; 性能测试是一种软件测试&#xff0c;可确…

Origin无法使用主题管理器相关功能或报错:Err, Save Theme dialog error!

问题描述 在使用origin绘图时&#xff0c;往往需要进行大批量绘制同样类型的图。如果每个图都不断地去修改相关设置&#xff0c;无疑是浪费了许多宝贵的时间。为了提高绘图效率&#xff0c;了解到了主题管理器&#xff0c;可在“工具–主题管理器”找到。 然而&#xff0c;当我…

自然语言处理24-T5模型的介绍与训练过程,利用简单构造数据训练微调该模型,体验整个过程

大家好,我是微学AI,今天给大家介绍一下自然语言处理24-T5模型的介绍与训练过程,利用简单构造数据训练微调该模型,体验整个过程。在大模型ChatGPT发布之前,NLP领域是BERT,T5模型为主导,T5(Text-to-Text Transfer Transformer)是一种由Google Brain团队在2019年提出的自然…

kotlin 单例

1.使用伴生对象&#xff08;companion object&#xff09;: class Singleton private constructor() { companion object { private val instance: Singleton by lazy { Singleton() } fun getInstance(): Singleton { return instance } } /…

帮你看懂广告行业名词解释,通俗易懂!!

一、DSP&#xff08;需求方平台&#xff09; 广告主只要在DSP平台投放广告&#xff0c;由DSP平台帮助广告主在多个媒体投放广告。&#xff08;即DSP帮助广告主对对接多个平台&#xff09; 二、ADX&#xff08;广告交易平台&#xff0c;Ad Exchange&#xff09; 连接媒体与广…

ARM工控机Node-red使用教程

嵌入式ARM工控机Node-red安装教程 从前车马很慢书信很远&#xff0c;而现在人们不停探索“科技改变生活”。 智能终端的出现改变了我们的生活方式&#xff0c;钡铼技术嵌入式工控机协助您灵活布建能源管理、大楼自动化、工业自动化、电动车充电站等各种多元性IoT应用&#xff…

Linux 编译安装 Nginx

目录 一、前言二、四种安装方式介绍三、本文安装方式&#xff1a;源码安装3.1、安装依赖库3.2、开始安装 Nginx3.3、Nginx 相关操作3.4、把 Nginx 注册成系统服务 四、结尾 一、前言 Nginx 是一款轻量级的 Web 服务器、[反向代理]服务器&#xff0c;由于它的内存占用少&#xf…

Android设备sdcard/tf卡不识别在电脑上可以

安卓tf卡无法使用现象 系统&#xff1a;安卓4.4 硬件&#xff1a;arm设备 t卡&#xff1a; 64GB 10 A1 microSD 出货后有用户反馈一批sdcard/tf卡用不了&#xff0e; 分析过程 拆了7台问题机&#xff0c;除一张t卡坏了外&#xff0c;其余卡插到电脑上后再放到设备上恢复正常…

bulk-RNA seq测序数据分析流程

假如有bulk-RNA测序的数据&#xff1a;TH1&#xff0c;TH2&#xff0c;TH3三个重复&#xff08;实验组&#xff09;&#xff0c;TW1&#xff0c;TW2&#xff0c;TW3三个重复&#xff08;对照组&#xff09; 准备工作 需要安装的软件&#xff08;如FastQC、Trimmomatic、HISAT…

adb shell getevent/sendevent

#### adb shell getevent 获取点击事件 100135925:/ # getevent add device 1: /dev/input/event2name: "mtk-tpd" /dev/input/event2: 0001 014a 00000001 /dev/input/event2: 0003 0039 00000088 /dev/input/event2: 0003 0035 00000072 /dev/input/event2: 00…

【Pytorch】学习记录分享10——TextCNN用于文本分类处理

【Pytorch】学习记录分享10——PyTorchTextCNN用于文本分类处理 1. TextCNN用于文本分类2. 代码实现 1. TextCNN用于文本分类 具体流程&#xff1a; 2. 代码实现 # coding: UTF-8 import torch import torch.nn as nn import torch.nn.functional as F import numpy as np…

14、接口

接口 ​ 接口interface&#xff0c;是一组行为规范的集合&#xff0c;就是定义一组未实现的函数声明。谁使用接口就是参照接口的方法定义实现它们。 type 接口名 interface {方法1 (参数列表1) 返回值列表1方法2 (参数列表2) 返回值列表2... }接口命名习惯在接口名后面加上er…

【机器学习:欧氏距离 】机器学习中欧氏距离的理解和应用

【机器学习&#xff1a;欧氏距离 】机器学习中欧氏距离的理解和应用 距离公式二维更高的维度点以外的物体属性欧几里得距离的平方概括历史 在数学中&#xff0c;欧氏距离’是指欧氏空间中任意两点之间的直线距离。这种距离可以通过应用勾股定理来计算&#xff0c;利用两点的笛卡…

如何停止一个运行中的Docker容器

要停止一个运行中的Docker容器&#xff0c;你可以使用以下命令&#xff1a; docker stop <容器ID或容器名> 将 <容器ID或容器名> 替换为你要停止的具体容器的标识符或名称。你可以使用以下命令查看正在运行的容器&#xff1a;docker ps 这将列出所有正在运行的…

Linux内核(2)-Makefile详解,必须要掌握的编译参数

1.版本号 VERSION 4 PATCHLEVEL 1 SUBLEVEL 152.MAKEFLAGS变量 MAKEFLAGS -rR --include-dir$(CURDIR) 包含当前目录及所有递归子目录 3.make V1编译输出 make V1 输出编译完整命令 ifeq ("$(origin V)", "command line")KBUILD_VERBOSE $(V) en…

再检查下这些测试思维面试题你都会了么?

创建坐席组的功能模块&#xff0c;如何进行测试用例设计&#xff1f; 解答&#xff1a; 功能测试&#xff0c;使用等价类划分法去分析创建坐席的每个输入项的有效及无效类&#xff0c;同步考虑边界值去设计对应的测试用例&#xff1a; 先进行冒烟测试&#xff0c;正常创建坐席…

操作系统期末复习知识点

目录 一.概论 1.操作系统的介绍 2.特性 3.主要功能 4.作用 二.进程的描述与控制 1.进程的定义 2.特性 3.进程的创建步骤 4.基本状态转化 5.PCB的作用 6.进程与线程的比较 三.进程同步 1.同步的概念&#xff08;挺重要的&#xff09; 2.临界区 3.管程和进程的区…

62.网游逆向分析与插件开发-游戏增加自动化助手接口-游戏公告类的C++还原

内容来源于&#xff1a;易道云信息技术研究院VIP课 上一个内容&#xff1a;游戏红字公告功能的逆向分析-CSDN博客 码云地址&#xff08;master分支&#xff09;&#xff1a;https://gitee.com/dye_your_fingers/sro_-ex.git 码云版本号&#xff1a;0888e34878d9e7dd0acd08ef…

Redis第四讲——Redis的数据库结构、删除策略及淘汰策略

一、redis中的数据库 redis服务器将所有数据库都保存在服务器状态redis.h/redisServer结构的db数组中。db数组的每项都是一个redis.h/redisDb结构&#xff0c;而每个redisDb结构就代表一个数据库。在初始化服务器时&#xff0c;程序会根据服务器状态的dbnum属性来决定应该创建多…