人工智能与机器学习原理精解【8】

文章目录

  • 马尔科夫过程论
    • 基础
    • 理论
      • 函数系的定义、例子和分类
        • 一、函数系的定义
        • 二、函数系的例子
        • 三、函数系的分类
      • 勒贝格积分
        • 一、定义
        • 二、计算
        • 三、例子
  • 参考文献

马尔科夫过程论

基础

  • 如果 α 是 ( G 1 , A 1 ) 到 ( G 2 , A 2 ) 的可测映象, β 是 ( G 2 , A 2 ) 到 ( G 3 , A 3 )的可测映象 β α ( G 1 , A 1 ) 到的可测映象,前提是 β 的定义域包含 α ( G 1 ) 如果\alpha是(G_1,A_1)到(G_2,A_2)的可测映象,\beta是(G_2,A_2)到(G_3,A_3)的可测映象\\\beta\alpha(G_1,A_1)到的可测映象,前提是\beta的定义域包含\alpha(G_1) 如果α(G1,A1)(G2,A2)的可测映象,β(G2,A2)(G3,A3)的可测映象βα(G1,A1)到的可测映象,前提是β的定义域包含α(G1)
  • 设 ( G , M ) 为某可测空间,非负函数 φ ( A ) ( A ∈ M ) 称为测度 对 M 中任一有限或可数多个两两不相交的集 A 1 , A 2 , . . . , φ ( ∪ A k ) = Σ φ ( A k ) , φ ( G ) = 1 的测度称为概率测度。 设(G,M)为某可测空间,非负函数\varphi(A)(A \in M)称为测度 \\对M中任一有限或可数多个两两不相交的集A_1,A_2,...,\varphi(\cup A_k)=\Sigma \varphi(A_k),\varphi(G)=1的测度称为概率测度。 (G,M)为某可测空间,非负函数φ(A)(AM)称为测度M中任一有限或可数多个两两不相交的集A1,A2,...,φ(Ak)=Σφ(Ak),φ(G)=1的测度称为概率测度。
  • 令 α i 为从 ( G , A ) 到 ( G i , A i ) 的可测映象,则由公式 令\alpha_i为从(G,A)到(G_i,A_i)的可测映象,则由公式 αi为从(G,A)(Gi,Ai)的可测映象,则由公式
    α ( w ) = { α 1 ( w ) , α 2 ( w ) , . . . } 所定义的 空间 ( G , A ) 到 ( G 1 × G 2 × . . . . G n , A 1 × A 2 × . . . . ) 的映象是可测的。 \alpha(w)=\{\alpha_1(w),\alpha_2(w),...\}所定义的 \\空间(G,A)到(G_1\times G_2 \times ....G_n,A_1 \times A_2 \times....)的映象是可测的。 α(w)={α1(w),α2(w),...}所定义的空间(G,A)(G1×G2×....Gn,A1×A2×....)的映象是可测的。
  • 如果 0 ≤ f n ( w ) ↑ f ( w ) 对一切 w ∈ A 成立,则 如果0\le f_n(w)\uparrow f(w)对一切w \in A成立,则 如果0fn(w)f(w)对一切wA成立,则
    lim ⁡ ∫ A f n ( w ) φ ( d w ) = ∫ A f n ( w ) φ ( d w ) \lim\int_Af_n(w)\varphi(dw)=\int_Af_n(w)\varphi(dw) limAfn(w)φ(dw)=Afn(w)φ(dw)
  • 如果对于一切 w ∈ A , f n ( w ) → f ( w ) , ∣ f n ( w ) ∣ < g ( w ) ,且 g 在 A 上 φ 可积,则 如果对于一切w \in A,f_n(w)\rightarrow f(w),|f_n(w)| \lt g(w),且g在A上\varphi可积,则 如果对于一切wA,fn(w)f(w)fn(w)<g(w),且gAφ可积,则
    lim ⁡ ∫ A f n ( w ) φ ( d w ) = ∫ A f n ( w ) φ ( d w ) \lim\int_Af_n(w)\varphi(dw)=\int_Af_n(w)\varphi(dw) limAfn(w)φ(dw)=Afn(w)φ(dw)
  • 令 M i 为 G i 中的 σ 代数, φ i 为 M i 上的测度 ( i = 1 , 2 ) ,设 f ( w 1 , w 2 ) 是 G 1 × G 2 上的 M 1 × M 2 可测函数,则 令M_i为G_i中的\sigma代数,\varphi_i为M_i上的测度(i=1,2),设f(w_1,w_2)是G_1 \times G_2上的M_1\times M_2可测函数,则 MiGi中的σ代数,φiMi上的测度(i=1,2),设f(w1,w2)G1×G2上的M1×M2可测函数,则
    ∫ G 1 [ ∫ G 2 ∣ f ( w 1 , w 2 ) ∣ φ 2 ( d w 2 ) ] φ 1 ( d w 1 ) < ∞ ,则 ∫ G 1 [ ∫ G 2 ∣ f ( w 1 , w 2 ) ∣ φ 2 ( d w 2 ) ] φ 1 ( d w 1 ) = ∫ G 2 [ ∫ G 1 ∣ f ( w 1 , w 2 ) ∣ φ 2 ( d w 1 ) ] φ 1 ( d w 2 ) \int_{G_1}[\int_{G_2}\mid f(w_1,w_2) \mid \varphi_2(dw_2)]\varphi_1(dw_1) \lt \infty,则 \\\int_{G_1}[\int_{G_2}\mid f(w_1,w_2) \mid \varphi_2(dw_2)]\varphi_1(dw_1) = \int_{G_2}[\int_{G_1}\mid f(w_1,w_2) \mid \varphi_2(dw_1)]\varphi_1(dw_2) G1[G2f(w1,w2)φ2(dw2)]φ1(dw1)<,则G1[G2f(w1,w2)φ2(dw2)]φ1(dw1)=G2[G1f(w1,w2)φ2(dw1)]φ1(dw2)
  • 未完,待续写

理论

函数系的定义、例子和分类

一、函数系的定义

函数系是指由一组函数构成的集合,这些函数之间可能具有某种特定的关系或性质。在数学中,函数系的概念广泛应用于多个领域,如数学分析、泛函分析、逼近论等。函数系中的函数可以是同一类型的,也可以是不同类型的,关键在于它们之间的某种联系或共性。

二、函数系的例子
  1. 正交多项式函数系

    • 定义:在某一区间内,如果一组多项式函数满足正交性条件,即任意两个不同次数的多项式在该区间内的积分为零,则这组多项式构成一个正交多项式函数系。
    • 例子:勒让德多项式、切比雪夫多项式等。这些多项式在数值分析、逼近论等领域有重要应用。
  2. 三角函数系

    • 定义:在 [ − π , π ] [-\pi, \pi] [π,π]区间内,由常数1、正弦函数和余弦函数及其整数倍角函数构成的集合构成一个正交函数系。
    • 例子 { 1 , sin ⁡ x , cos ⁡ x , sin ⁡ 2 x , cos ⁡ 2 x , … , sin ⁡ n x , cos ⁡ n x , … } \{1, \sin x, \cos x, \sin 2x, \cos 2x, \ldots, \sin nx, \cos nx, \ldots\} {1,sinx,cosx,sin2x,cos2x,,sinnx,cosnx,}。这是傅里叶级数展开的基础,广泛应用于信号处理、图像处理等领域。
  3. 幂函数系

    • 定义:虽然幂函数系 { 1 , x , x 2 , x 3 , … } \{1, x, x^2, x^3, \ldots\} {1,x,x2,x3,}在一般区间内不是正交的,但它在某些特定问题中仍具有重要作用。例如,在泰勒级数展开中,幂函数系用于表示函数的局部近似。
三、函数系的分类

函数系可以根据不同的标准和性质进行分类,以下是一些常见的分类方式:

  1. 按正交性分类

    • 正交函数系:如上所述,满足正交性条件的函数系。
    • 非正交函数系:不满足正交性条件的函数系。
  2. 按函数类型分类

    • 多项式函数系:由多项式函数构成的集合。
    • 三角函数系:由三角函数及其整数倍角函数构成的集合。
    • 指数函数系:由指数函数构成的集合,尽管它们不常作为一个完整的函数系出现,但在某些特定问题中有重要应用。
    • 其他类型函数系:如对数函数系、双曲函数系等,根据具体问题的需要而定。
  3. 按应用领域分类

    • 数学分析中的函数系:如用于逼近论的勒让德多项式、切比雪夫多项式等。
    • 物理学中的函数系:如量子力学中的本征函数系、波动方程中的解函数系等。
    • 工程学中的函数系:如信号处理中的傅里叶级数展开所用的三角函数系、图像处理中的小波函数系等。

请注意,以上分类方式并不是严格的,函数系可以根据不同的需求和标准进行分类。在实际应用中,函数系的选择和构造往往取决于具体问题的性质和需求。

勒贝格积分

是现代数学中的一个重要积分概念,它扩展了传统积分运算的适用范围,并提供了更一般的积分定义和计算方法。以下是对勒贝格积分的定义、计算及例子的详细描述:

一、定义

勒贝格积分是以法国数学家昂利·勒贝格命名的,他于1904年引入了这一积分定义。勒贝格积分将积分运算扩展到任何测度空间中,并允许对更广泛的函数进行积分。在最简单的情况下,勒贝格积分可以看作是对一个非负函数的积分,其值等于该函数图像与轴之间“面积”的某种广义度量。

具体来说,设 E E E是实数集 R R R上的一个可测集, f ( x ) f(x) f(x)是定义在 E E E上的非负可测函数。则 f ( x ) f(x) f(x) E E E上的勒贝格积分定义为:

∫ E f ( x ) d x = sup ⁡ { ∫ E ϕ ( x ) d x : ϕ ( x ) 是  E 上的非负简单函数,且  0 ≤ ϕ ( x ) ≤ f ( x ) } \int_E f(x) \, dx = \sup \left\{ \int_E \phi(x) \, dx : \phi(x) \text{ 是 } E \text{ 上的非负简单函数,且 } 0 \leq \phi(x) \leq f(x) \right\} Ef(x)dx=sup{Eϕ(x)dx:ϕ(x)  E 上的非负简单函数,且 0ϕ(x)f(x)}

这里,非负简单函数是指那些取值有限个非负常数的函数,且每个常数值只在可测集上取得。这个定义通过一系列非负简单函数来逼近原函数,并取这些逼近函数积分的上确界作为原函数的勒贝格积分。

二、计算

勒贝格积分的计算方法相对复杂,但可以通过一系列定理和性质来简化。以下是一些与计算相关的定理和方法:

  1. 单调收敛定理:如果非负函数列 { f n ( x ) } \{f_n(x)\} {fn(x)}在可测集 E E E上单调增加且逐点收敛到函数 f ( x ) f(x) f(x),则 lim ⁡ n → ∞ ∫ E f n ( x ) d x = ∫ E f ( x ) d x \lim_{n \to \infty} \int_E f_n(x) \, dx = \int_E f(x) \, dx limnEfn(x)dx=Ef(x)dx
  2. 法图引理:如果非负函数列 { f n ( x ) } \{f_n(x)\} {fn(x)}在可测集 E E E上逐点收敛到函数 f ( x ) f(x) f(x),且对任意 n n n ∫ E f n ( x ) d x ≤ M \int_E f_n(x) \, dx \leq M Efn(x)dxM(其中 M M M是某个常数),则 lim ⁡ n → ∞ ∫ E f n ( x ) d x = ∫ E f ( x ) d x \lim_{n \to \infty} \int_E f_n(x) \, dx = \int_E f(x) \, dx limnEfn(x)dx=Ef(x)dx
  3. 逐项积分定理:如果 { f n ( x ) } \{f_n(x)\} {fn(x)}是可测集 E E E上的一列非负可测函数,则 ∫ E ∑ n = 1 ∞ f n ( x ) d x = ∑ n = 1 ∞ ∫ E f n ( x ) d x \int_E \sum_{n=1}^\infty f_n(x) \, dx = \sum_{n=1}^\infty \int_E f_n(x) \, dx En=1fn(x)dx=n=1Efn(x)dx(假设右边的级数收敛)。

在实际问题中,勒贝格积分的计算往往需要结合具体问题的特性和上述定理来进行。

三、例子

考虑狄利克雷函数 D ( x ) D(x) D(x),其定义为:

D ( x ) = { 1 , 如果  x 是有理数 0 , 如果  x 是无理数 D(x) = \begin{cases} 1, & \text{如果 } x \text{ 是有理数} \\ 0, & \text{如果 } x \text{ 是无理数} \end{cases} D(x)={1,0,如果 x 是有理数如果 x 是无理数

这个函数在实数集上几乎处处不连续,因此没有黎曼积分。但是,在勒贝格积分的框架下,我们可以计算它在整个实数集 R R R上的积分。由于有理数集 Q Q Q在实数集 R R R中是可数的,因此其勒贝格测度为0(即 m ( Q ) = 0 m(Q) = 0 m(Q)=0)。而无理数集 Q c Q^c Qc(即 R − Q R - Q RQ)是 R R R的剩余部分,其勒贝格测度为无穷大(即 m ( Q c ) = + ∞ m(Q^c) = +\infty m(Qc)=+)。因此,狄利克雷函数在整个实数集上的勒贝格积分为:

∫ R D ( x ) d x = 1 ⋅ m ( Q ) + 0 ⋅ m ( Q c ) = 1 ⋅ 0 + 0 ⋅ + ∞ = 0 \int_R D(x) \, dx = 1 \cdot m(Q) + 0 \cdot m(Q^c) = 1 \cdot 0 + 0 \cdot +\infty = 0 RD(x)dx=1m(Q)+0m(Qc)=10+0+=0

这个例子展示了勒贝格积分在处理不连续函数时的优势。

参考文献

1.文心一言

2.《邓肯-马尔科夫过程论》

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/pingmian/49791.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

jackson序列化(jackson codec)

Jackson 是一个用于 Java 平台的开源 JSON 库&#xff0c;它提供了灵活且高效的方式来处理 JSON 数据的序列化(Java对象 → JSON字符串)和反序列化(JSON 字符串→ Java对象)。 以下是 Jackson 的一些主要特点和功能&#xff1a; 高性能&#xff1a;Jackson 通过使用基于流的处理…

国内环境,怎么做开源才能兼顾生存和情怀?

回答一个朋友提的问题—— 在国内&#xff0c;开源怎么做呢&#xff1f;老夫结合自己多年在开源和商业领域的经历与见闻聊聊。 首先来说&#xff0c;毋庸置疑&#xff0c;开源是对传统的商业模式的一种颠覆&#xff0c;它以一种免费开放的姿态赢得了Hacker群体的心&#xff0c…

mac OS matplotlib missing from font(s) DejaVu Sans

如果能搜索到这篇文章&#xff0c;我猜你遇到了和我一样的问题&#xff1a;matplotlib绘图中文乱码。如下&#xff1a; 出现这个问题的原因是&#xff1a;matplotlib使用的字体列表中默认没有中文字体。 这里说一种解决方案&#xff1a;我们可以在文件中手动指定matplotlib使用…

微信小程序-使用Component方法代替Page方法构造页面

一.使用Component方法的前提条件 在小程序js文件里使用Component方法代替Page方法需要在json文件里面定义usingComponents属性 {"usingComponents": {} }二.注意事项 1.在page页面里使用的钩子函数和事件监听方法都需要写在methods对象里面 methods:{update(){thi…

WHAT - Web Components 和 Vue、React 的模块化组件

目录 Web Components介绍组件库1. Lit2. Vaadin3. Shoelace4. Stencil5. FAST6. Ionic7. UI5 Web Components8. PatternFly Elements使用和选择指南结论 与 Vue 或 React 组件的区别1. 原生 vs 框架依赖2. 样式和 DOM 隔离3. 使用和学习曲线4. 状态管理和生命周期 专题&#xf…

二叉树详解-第一篇 树以及二叉树的概念

目录 ​编辑 1.树的概念及结构 1.1树的概念 1.2树的特点 1.3树的相关概念 1.4树的表示 2.二叉树的概念及结构 2.1二叉树的概念 2.2特殊二叉树-满二叉树和完全二叉树 1.满二叉树的概念及性质 2.完全二叉树的概念及性质 2.3二叉树的性质(重点) 2.4二叉树的存储 1.顺…

LeetCode - #103 二叉树的锯齿形层序遍历

文章目录 前言1. 描述2. 示例3. 答案关于我们 前言 我们社区陆续会将顾毅&#xff08;Netflix 增长黑客&#xff0c;《iOS 面试之道》作者&#xff0c;ACE 职业健身教练。&#xff09;的 Swift 算法题题解整理为文字版以方便大家学习与阅读。 LeetCode 算法到目前我们已经更新…

沉淀硬化不锈钢压缩弹簧的主要特性

沉淀硬化不锈钢&#xff0c;作为一种兼具高强度与耐腐蚀性的合金材料&#xff0c;被广泛应用于制造高性能的压缩弹簧&#xff0c;尤其是在苛刻环境下的应用需求。以下是对沉淀硬化不锈钢压缩弹簧主要特性的科普介绍&#xff1a; 良好的耐蚀性 沉淀硬化不锈钢与304不锈钢拥有相似…

做个牛奶配送小程序商城是怎样的

商家线上经营奶品&#xff0c;主要是成品包装品牌奶或散奶周边客源生意模式等&#xff0c;无论哪些模式&#xff0c;本身奶产品的需求度就不低&#xff0c;自然也有着大量客户&#xff0c;农场/品牌厂商/经销商/小摊贩&#xff0c;除了线下实体店发展外&#xff0c;线上要完善本…

SpringCloud断路器的使用与原理解析

Spring Cloud断路器是在分布式系统中实现容错的一种方式。它的原理是通过在调用链路上添加断路器,当某个服务的调用出现故障或超时时,断路器会自动迅速地切换到快速失败模式,防止故障扩散,从而保护整个系统的稳定性。 Spring Cloud断路器的使用与原理解析如下: 一、使用断…

KunDB4.0:安全能力与Oracle兼容性提升,支持跨系统多租户部署

KunDB是星环科技自主研发的分布式交易型数据库&#xff0c;高度兼容Oracle和MySQL&#xff0c;提供数据强一致、高可用、高性能、高扩展、应用透明等能力&#xff0c;可在云上和物理机上容器化部署运行&#xff0c;一站式解决企业数据存储、管理、计算与安全性问题。 过去半年…

数据结构经典测题3

1. 设有定义&#xff1a; char *p; &#xff0c;以下选项中不能正确将字符串赋值给字符型指针 p 的语句是【多选】&#xff08; &#xff09; A: pgetchar(); B: scanf("%s",p); C: char s[]"china"; ps; D: *p"china"; 答案为ABD A选项&…

SQL Server中 LOP_FORMAT_PAGE日志记录解释

在SQL Server中&#xff0c;LOP_FORMAT_PAGE是日志记录的一种类型&#xff0c;用于描述页面的格式化操作。了解LOP_FORMAT_PAGE详细的背景和任务类型有助于深入理解SQL Server的内部机制&#xff0c;尤其是在恢复和日志管理方面。以下是有关LOP_FORMAT_PAGE的详细解释&#xff…

如何优化 Selenium 和 BeautifulSoup 的集成以提高数据抓取的效率?

摘要 在互联网时代&#xff0c;数据的价值日益凸显。对于电商网站如京东&#xff0c;其商品信息、用户评价等数据对于市场分析、产品定位等具有重要意义。然而&#xff0c;由于这些网站通常使用 JavaScript 动态生成内容&#xff0c;传统的爬虫技术难以直接获取到完整数据。本…

pyaudio VAD通过声音音频值分贝大小检测没人说话自动停止录制

效果可能说话声音小可能不被监听到,需要更改QUIET_DB阈值,另外delay_time值是低于阈值多久就可以停止保存当前的语音 import pyaudio import waveimport sys import numpy as npdef record_auto(MIC_INDEX=1):开启麦克风录音,保存至temp/speech_record.wav音频文件音量超过…

洛谷 P1151 子数整数 题解

题目描述 对于一个五位数 a1​a2​a3​a4​a5​​&#xff0c;可将其拆分为三个子数&#xff1a; &#x1d460;&#x1d462;&#x1d44f;1&#x1d44e;1&#x1d44e;2&#x1d44e;3 &#x1d460;&#x1d462;&#x1d44f;2&#x1d44e;2&#x1d44e;3&#x1d44…

vue3 reactive原理(二)-代理Set和Map及ref原理

Set和Map类型的数据也属于异质对象&#xff0c;它们有特定的属性和方法用来操作自身。因此创建代理时&#xff0c;针对特殊的方法需要特殊的对待。 Vue 的ref 是基于reactive函数实现的&#xff0c;它在其基础上&#xff0c;增加了基本类型的响应性、解决reactive在解构时丢失…

目标检测原理分析

目标检测 图像分类&#xff08;一张图像只属于一个类别&#xff09;目标检测&#xff08;一张图像有N个物体&#xff09; 图像分类&#xff08;一张图像只属于一个类别&#xff09; 输入&#xff1a; 一张图像&#xff0c;image 输出&#xff1a; 这张图像属于各个预定义类别的…

【Unity实战】yield return null还是WaitForEndOfFrame

当在Unity中编写协程&#xff08;尤其是协程套无限循环&#xff09;时&#xff0c;常常会用到yield关键字来控制协程的执行流程避免程序假死。以下是常见做法&#xff1a; yield return null 当使用yield return null时&#xff0c;协程会在下一帧继续执行。这意味着协程将暂…

SSM超市管理系统-计算机毕业设计源码12393

目 录 摘要 Abstract 1 绪论 1.1研究的背景和意义 1.2研究内容 1.3论文结构与章节安排 2 开发技术介绍 2.1 SSM框架 2.2 MySQL数据库 3 超市管理系统系统分析 3.1 可行性分析 3.2 系统流程分析 3.2.1 数据流程 3.3.2 业务流程 3.3 系统功能分析 3.3.1 功能性…