线性代数|机器学习-P16矩阵A的导数

2024-06-21 05:52

本文主要是介绍线性代数|机器学习-P16矩阵A的导数,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. 概述

这节课的主题是定义矩阵A是关于时间t的 A ( t ) A(t) A(t),在已知 d A ( t ) d t \frac{\mathrm{d}A(t)}{\mathrm{d}t} dtdA(t)的情况下,求解 d A − 1 ( t ) d t , d λ ( t ) d t , d σ ( t ) d t \frac{\mathrm{d}A^{-1}(t)}{\mathrm{d}t},\frac{\mathrm{d}\lambda(t)}{\mathrm{d}t},\frac{\mathrm{d}\sigma(t)}{\mathrm{d}t} dtdA1(t),dtdλ(t),dtdσ(t)
d A ( t ) d t → d A − 1 ( t ) d t , d λ ( t ) d t , d σ ( t ) d t \begin{equation} \frac{\mathrm{d}A(t)}{\mathrm{d}t}\rightarrow \frac{\mathrm{d}A^{-1}(t)}{\mathrm{d}t},\frac{\mathrm{d}\lambda(t)}{\mathrm{d}t},\frac{\mathrm{d}\sigma(t)}{\mathrm{d}t} \end{equation} dtdA(t)dtdA1(t),dtdλ(t),dtdσ(t)

2. 求 d A − 1 ( t ) d t \frac{\mathrm{d}A^{-1}(t)}{\mathrm{d}t} dtdA1(t)

关于矩阵 A − 1 , B − 1 A^{-1},B^{-1} A1,B1,可以得到如下公式:
B − 1 − A − 1 = B − 1 ( A − B ) A − 1 \begin{equation} B^{-1}-A^{-1}=B^{-1}(A-B)A^{-1} \end{equation} B1A1=B1(AB)A1

  • 我们定义 B = A + Δ A B=A+\Delta A B=A+ΔA,则上述公式变换如下:
    Δ A − 1 = ( A + Δ A ) − 1 ( − Δ A ) A − 1 \begin{equation} \Delta A^{-1}=(A+\Delta A)^{-1}(-\Delta A)A^{-1} \end{equation} ΔA1=(A+ΔA)1(ΔA)A1
  • Δ A → 0 \Delta A \rightarrow 0 ΔA0时, ( A + Δ A ) − 1 = A − 1 (A+\Delta A)^{-1}=A^{-1} (A+ΔA)1=A1,两边同时除以 Δ t \Delta t Δt,则公式整理可得:
    Δ A − 1 Δ t = − A − 1 ( Δ A ) Δ t A − 1 \begin{equation} \frac{\Delta A^{-1}}{\Delta t}=-A^{-1}\frac{(\Delta A)}{\Delta t}A^{-1} \end{equation} ΔtΔA1=A1Δt(ΔA)A1
  • 则可得如下:
    d A − 1 d t = − A − 1 d A d t A − 1 \begin{equation} \frac{\mathrm d A^{-1}}{\mathrm d t}=-A^{-1}\frac{\mathrm d A}{\mathrm d t}A^{-1} \end{equation} dtdA1=A1dtdAA1

3. 求 d λ ( t ) d t \frac{\mathrm{d}\lambda(t)}{\mathrm{d}t} dtdλ(t)

3.1 A 和 A T A^T AT有相同的特征值

求解特征值方程如下,将等式转置可得:
∣ A − λ I ∣ = 0 → ∣ A T − λ I T ∣ = ∣ A T − λ I ∣ = ∣ A − λ I ∣ \begin{equation} |A-\lambda I|=0\rightarrow |A^T-\lambda I^T|=|A^T-\lambda I|=|A-\lambda I| \end{equation} AλI=0ATλIT=ATλI=AλI
所以可得A与 A T A^T AT有相同的特征值,我们定义矩阵A的特征值为 λ \lambda λ时的特征向量为x, A x = λ x Ax=\lambda x Ax=λx,矩阵 A T A^T AT的特征值为 μ \mu μ时的特征向量为y , A T y = μ y A^Ty=\mu y ATy=μy
A x = λ x , A T y = μ y → y T A = μ y T \begin{equation} Ax=\lambda x,A^Ty=\mu y\rightarrow y^TA=\mu y^T \end{equation} Ax=λx,ATy=μyyTA=μyT

  • 等式乘以 y T y^T yT可得:
    y T A x = λ y T x → μ y T x = λ y T x → ( μ − λ ) y T x = 0 \begin{equation} y^TAx=\lambda y^Tx\rightarrow\mu y^Tx=\lambda y^Tx\rightarrow (\mu-\lambda)y^Tx=0 \end{equation} yTAx=λyTxμyTx=λyTx(μλ)yTx=0
  • 为了保证上式对于任意 μ − λ \mu-\lambda μλ成立,只能得到如下
    μ ≠ λ → y T x = 0 \begin{equation} \mu\neq \lambda\rightarrow y^Tx=0 \end{equation} μ=λyTx=0
  • 那当 μ = λ \mu=\lambda μ=λ时, y T x = ? ? ? y^Tx=??? yTx=???呢?

3.2 特征向量单位化

我们知道,对于矩阵A来说,我们能够得到如下公式
A [ x 1 x 2 ⋯ x n ] = [ x 1 x 2 ⋯ x n ] [ λ 1 λ 2 ⋱ λ n ] → A = X Λ X − 1 \begin{equation} A\begin{bmatrix}x_1&x_2&\cdots&x_n\end{bmatrix}=\begin{bmatrix}x_1&x_2&\cdots&x_n\end{bmatrix}\begin{bmatrix}\lambda_1\\\\&\lambda_2\\\\&&\ddots\\\\&&&\lambda_n\end{bmatrix}\rightarrow A=X\Lambda X^{-1} \end{equation} A[x1x2xn]=[x1x2xn] λ1λ2λn A=XΛX1

  • 那么我们可得 A 2 A^2 A2为:
    A 2 = X Λ X − 1 X Λ X − 1 \begin{equation} A^2=X\Lambda X^{-1}X\Lambda X^{-1} \end{equation} A2=XΛX1XΛX1
  • 如果X列向量不单位化,假设 x i T x i = c i x_i^Tx_i=c_i xiTxi=ci,那么可得:
    X T X = [ x 1 T x 2 T ⋮ x n T ] [ x 1 x 2 ⋯ x n ] = [ c 1 c 2 ⋱ c n ] \begin{equation} X^TX=\begin{bmatrix}x_1^T\\\\x_2^T\\\\\vdots\\\\x_n^T\end{bmatrix}\begin{bmatrix}x_1&x_2&\cdots&x_n\end{bmatrix}=\begin{bmatrix}c_1\\\\&c_2\\\\&&\ddots\\\\&&&c_n\end{bmatrix} \end{equation} XTX= x1Tx2TxnT [x1x2xn]= c1c2cn
  • 那么这样在求 A 2 A^2 A2时,就无法得到如下:
    A 2 ≠ X Λ 2 X − 1 \begin{equation} A^2\neq X\Lambda^2 X^{-1} \end{equation} A2=XΛ2X1
  • 所以为了能够方便计算,我们一般会单位化向量 x i x_i xi,得到如下:
    X T X = I , X − 1 = X T , x T x = 1 , A = X Λ X T , A x = λ x \begin{equation} X^TX=I,X^{-1}=X^T,x^Tx=1,A=X\Lambda X^T,Ax=\lambda x \end{equation} XTX=I,X1=XT,xTx=1,A=XΛXT,Ax=λx
  • 同理可得关于 A T A^T AT表示如下:
    y T A = λ y T , A = Y Λ Y T \begin{equation} y^TA=\lambda y^T,A=Y\Lambda Y^T \end{equation} yTA=λyT,A=YΛYT
  • 那么 A 2 A^2 A2 可得如下:
    A 2 = X Λ X T Y Λ Y T \begin{equation} A^2=X\Lambda X^TY\Lambda Y^T \end{equation} A2=XΛXTYΛYT
  • 为了要得到 A 2 = X Λ 2 Y T A^2=X\Lambda^2 Y^T A2=XΛ2YT,我们希望得到 X T Y = I X^TY=I XTY=I
    X T Y = Y T X = I \begin{equation} X^TY=Y^TX=I \end{equation} XTY=YTX=I
  • 可得如下:
    μ = λ → y T x = 1 , μ ≠ λ → y T x = 0 \begin{equation} \mu=\lambda\rightarrow y^Tx=1,\mu\ne\lambda\rightarrow y^Tx=0 \end{equation} μ=λyTx=1,μ=λyTx=0

3.3 求 λ ( t ) \lambda(t) λ(t)

关于矩阵A可得如下:
A ( t ) x ( t ) = λ ( t ) x ( t ) , y T ( t ) A ( t ) = λ ( t ) y T ( t ) , y T ( t ) x ( t ) = 1 \begin{equation} A(t)x(t)=\lambda(t)x(t),y^T(t)A(t)=\lambda(t)y^T(t),y^T(t)x(t)=1 \end{equation} A(t)x(t)=λ(t)x(t),yT(t)A(t)=λ(t)yT(t),yT(t)x(t)=1

  • 等式两边乘以 y T ( t ) y^T(t) yT(t)可得:
    y T ( t ) A ( t ) x ( t ) = λ ( t ) y T ( t ) x ( t ) = λ ( t ) \begin{equation} y^T(t)A(t)x(t)=\lambda(t)y^T(t)x(t)=\lambda(t) \end{equation} yT(t)A(t)x(t)=λ(t)yT(t)x(t)=λ(t)
  • 整理可得如下:
    λ ( t ) = y T ( t ) A ( t ) x ( t ) \begin{equation} \lambda(t)=y^T(t)A(t)x(t) \end{equation} λ(t)=yT(t)A(t)x(t)
  • 两边关于t求导可得:
    d λ ( t ) d t = d y T ( t ) d t A ( t ) x ( t ) + y T ( t ) d A ( t ) d t x ( t ) + y T ( t ) A ( t ) d x ( t ) d t \begin{equation} \frac{\mathrm{d}\lambda(t)}{\mathrm{d}t}=\frac{\mathrm{d}y^T(t)}{\mathrm{d}t}A(t)x(t)+y^T(t)\frac{\mathrm{d}A(t)}{\mathrm{d}t}x(t)+y^T(t)A(t)\frac{\mathrm{d}x(t)}{\mathrm{d}t} \end{equation} dtdλ(t)=dtdyT(t)A(t)x(t)+yT(t)dtdA(t)x(t)+yT(t)A(t)dtdx(t)
  • 由公式可得 A ( t ) x ( t ) = λ ( t ) x ( t ) , y T ( t ) A ( t ) = λ ( t ) y T ( t ) A(t)x(t)=\lambda(t)x(t),y^T(t)A(t)=\lambda(t)y^T(t) A(t)x(t)=λ(t)x(t),yT(t)A(t)=λ(t)yT(t)整理后可得:
    d λ ( t ) d t = d y T ( t ) d t λ ( t ) x ( t ) + y T ( t ) d A ( t ) d t x ( t ) + λ ( t ) y T ( t ) d x ( t ) d t \begin{equation} \frac{\mathrm{d}\lambda(t)}{\mathrm{d}t}=\frac{\mathrm{d}y^T(t)}{\mathrm{d}t}\lambda(t)x(t)+y^T(t)\frac{\mathrm{d}A(t)}{\mathrm{d}t}x(t)+\lambda(t)y^T(t)\frac{\mathrm{d}x(t)}{\mathrm{d}t} \end{equation} dtdλ(t)=dtdyT(t)λ(t)x(t)+yT(t)dtdA(t)x(t)+λ(t)yT(t)dtdx(t)
  • 第1,3项合并整理可得:
    d λ ( t ) d t = λ ( t ) [ d y T ( t ) d t x ( t ) + y T ( t ) d x ( t ) d t ] + y T ( t ) d A ( t ) d t x ( t ) \begin{equation} \frac{\mathrm{d}\lambda(t)}{\mathrm{d}t}=\lambda(t)[\frac{\mathrm{d}y^T(t)}{\mathrm{d}t}x(t)+y^T(t)\frac{\mathrm{d}x(t)}{\mathrm{d}t}]+y^T(t)\frac{\mathrm{d}A(t)}{\mathrm{d}t}x(t) \end{equation} dtdλ(t)=λ(t)[dtdyT(t)x(t)+yT(t)dtdx(t)]+yT(t)dtdA(t)x(t)
  • 我们知道 y T ( t ) x ( t ) = 1 y^T(t)x(t)=1 yT(t)x(t)=1,两边求导可得:
    d y T ( t ) d t x ( t ) + y T ( t ) d x ( t ) d t = 0 \begin{equation} \frac{\mathrm{d}y^T(t)}{\mathrm{d}t}x(t)+y^T(t)\frac{\mathrm{d}x(t)}{\mathrm{d}t}=0 \end{equation} dtdyT(t)x(t)+yT(t)dtdx(t)=0
  • 代入后可得:
    d λ ( t ) d t = y T ( t ) d A ( t ) d t x ( t ) \begin{equation} \frac{\mathrm{d}\lambda(t)}{\mathrm{d}t}=y^T(t)\frac{\mathrm{d}A(t)}{\mathrm{d}t}x(t) \end{equation} dtdλ(t)=yT(t)dtdA(t)x(t)

这篇关于线性代数|机器学习-P16矩阵A的导数的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1080378

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

numpy求解线性代数相关问题

《numpy求解线性代数相关问题》本文主要介绍了numpy求解线性代数相关问题,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 在numpy中有numpy.array类型和numpy.mat类型,前者是数组类型,后者是矩阵类型。数组

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学