本文主要是介绍线性代数|机器学习-P32循环矩阵的特征向量-傅里叶矩阵,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!
文章目录
- 1. 大纲
- 2. 循环矩阵
- 2.1 移位矩阵P
- 2.2 P的特征值和特征向量
- 2.3 循环卷积矩阵
- 2.4 循环卷积计算
- 3. 傅里叶矩阵
1. 大纲
- 循环矩阵在机器学习,图像处理中的应用
- 循环卷积矩阵的特征值,特征向量,卷积规则
- 循环卷积矩阵多项式表达: C = c 0 I + c 1 P + c 2 P 2 + ⋯ + c n − 1 P n − 1 C=c_0 I+c_1P+c_2P^2+\cdots+c_{n-1}P^{n-1} C=c0I+c1P+c2P2+⋯+cn−1Pn−1
- 离散傅里叶DFT介绍
2. 循环矩阵
2.1 移位矩阵P
我们定义一个移位矩阵P 表示如下:
P = [ 0 1 0 0 0 0 1 0 0 0 0 1 1 0 0 0 ] ; P x = [ 0 1 0 0 0 0 1 0 0 0 0 1 1 0 0 0 ] [ x 1 x 2 x 3 x 4 ] = [ x 2 x 3 x 4 x 1 ] ; \begin{equation} P=\begin{bmatrix} 0&1&0&0\\\\ 0&0&1&0\\\\ 0&0&0&1\\\\ 1&0&0&0 \end{bmatrix};Px=\begin{bmatrix} 0&1&0&0\\\\ 0&0&1&0\\\\ 0&0&0&1\\\\ 1&0&0&0 \end{bmatrix}\begin{bmatrix} x_1\\\\ x_2\\\\ x_3\\\\ x_4 \end{bmatrix}=\begin{bmatrix} x_2\\\\ x_3\\\\ x_4\\\\ x_1\end{bmatrix}; \end{equation} P= 0001100001000010 ;Px= 0001100001000010 x1x2x3x4 = x2x3x4x1 ;
- 那么我们可以将一个循环卷积矩阵C 分解为移位矩阵P的多项式之和:
2.2 P的特征值和特征向量
我们根据P来定义其特征值和特征向量可得:
P x = λ x → x 2 = λ x 1 ; x 3 = λ x 2 ; x 4 = λ x 3 ; x 1 = λ x 4 ; \begin{equation} Px=\lambda x\to x_2=\lambda x_1; x_3=\lambda x_2; x_4=\lambda x_3; x_1=\lambda x_4; \end{equation} Px=λx→x2=λx1;x3=λx2;x4=λx3;x1=λx4;
- 整理可得:
x 1 = λ 4 x 1 → ( 1 − λ 4 ) x 1 = 0 → λ 0 = 1 , λ 1 = i , λ 2 = − 1 , λ 3 = − i \begin{equation} x_1=\lambda ^4x_1\to (1-\lambda^4)x_1=0\to \lambda_0=1,\lambda_1=i,\lambda_2=-1,\lambda_3=-i \end{equation} x1=λ4x1→(1−λ4)x1=0→λ0=1,λ1=i,λ2=−1,λ3=−i - 也就是说P的根为 Z N = 1 Z^N=1 ZN=1的根,这里是N=4,所以有4个根;
2.3 循环卷积矩阵
我们有一个循环卷积矩阵C,n行n列,因为矩阵C的特殊性,其斜线上的元素相等,所以可得:
C = [ c 0 c 1 c 2 ⋯ c n − 1 c n − 1 c 0 c 1 ⋯ c n − 2 ⋮ ⋱ ⋱ ⋱ ⋮ c 1 c 2 c 3 ⋯ c 0 ] ; \begin{equation} C=\begin{bmatrix} c_0&c_1&c_2&\cdots&c_{n-1}\\\\ c_{n-1}&c_0&c_1&\cdots&c_{n-2}\\\\ \vdots&\ddots&\ddots&\ddots&\vdots\\\\ c_{1}&c_2&c_3&\cdots&c_{0} \end{bmatrix}; \end{equation} C= c0cn−1⋮c1c1c0⋱c2c2c1⋱c3⋯⋯⋱⋯cn−1cn−2⋮c0 ;
- 那么可以将上述
循环矩阵C
用移位矩阵P进行展开可得如下:
C = c 0 I + c 1 P + c 2 P 2 + ⋯ + c n − 1 P n − 1 \begin{equation}C=c_0 I+c_1P+c_2P^2+\cdots+c_{n-1}P^{n-1}\end{equation} C=c0I+c1P+c2P2+⋯+cn−1Pn−1
2.4 循环卷积计算
假设我们有一个序列 x 1 ( n ) = { 1 , 2 , 3 } , x 2 ( n ) = { 5 , 0 , 4 } x_1(n)=\{1,2,3\},x_2(n)=\{5,0,4\} x1(n)={1,2,3},x2(n)={5,0,4},需要对其进行循环卷积计算,根据数字信号分析中可得:
x 1 ( n ) L ◯ x 2 ( n ) = [ ∑ m = 0 L − 1 x 1 ( m ) x 2 ( ( n − m ) ) L ] R L ( n ) \begin{equation} x_1(n)\textcircled{L} x_2(n)=[\sum_{m=0}^{L-1}x_1(m)x_2((n-m))_L]R_L(n) \end{equation} x1(n)L◯x2(n)=[m=0∑L−1x1(m)x2((n−m))L]RL(n)
- 转换成循环卷积如下:
[ 5 4 0 0 5 4 4 0 5 ] [ 1 2 3 ] = [ 13 22 19 ] ; \begin{equation} \begin{bmatrix} 5&4&0\\\\ 0&5&4\\\\ 4&0&5 \end{bmatrix}\begin{bmatrix} 1\\\\ 2\\\\ 3 \end{bmatrix}=\begin{bmatrix} 13\\\\ 22\\\\ 19\end{bmatrix}; \end{equation} 504450045 123 = 132219 ; - 综上所述可得:两个序列的循环卷积运算可以转换为一个序列的循环卷积矩阵与另外一个序列的乘积。
3. 傅里叶矩阵
我们知道移位矩阵P的特征值为 z N = 1 z^N=1 zN=1的复数根,其特征向量如下:
q k = [ 1 , λ k , λ k 2 , ⋯ , λ k N − 1 ] ; λ k = e 2 π i N \begin{equation} q_k=\begin{bmatrix} 1,\lambda_k,\lambda_k^2,\cdots,\lambda_k^{N-1} \end{bmatrix};\lambda_k=\mathrm{e}^{\frac{2\pi i}{N}} \end{equation} qk=[1,λk,λk2,⋯,λkN−1];λk=eN2πi
- 我们之前推导过对于任意的循环卷积矩阵C来说可以表示如下:
C = c 0 I + c 1 P + c 2 P 2 + ⋯ + c n − 1 P n − 1 \begin{equation}C=c_0 I+c_1P+c_2P^2+\cdots+c_{n-1}P^{n-1}\end{equation} C=c0I+c1P+c2P2+⋯+cn−1Pn−1 - 我们可得矩阵C的特征值和特征向量与P的特征值特征向量相同。我们两边同时乘以 q k q_k qk,且定义如下
C q k = λ k ( C ) q k , P q k = λ k q k Cq_k=\lambda_k(C) q_k,Pq_k=\lambda_kq_k Cqk=λk(C)qk,Pqk=λkqk
C q k = c 0 q k + c 1 P q k + c 2 P 2 q k + ⋯ + c n − 1 P n − 1 q k \begin{equation}Cq_k=c_0q_k+c_1Pq_k+c_2P^2q_k+\cdots+c_{n-1}P^{n-1}q_k\end{equation} Cqk=c0qk+c1Pqk+c2P2qk+⋯+cn−1Pn−1qk - 代入特征方程可得:
λ k ( C ) q k = c 0 q k + c 1 P q k + c 2 P 2 q k + ⋯ + c n − 1 P n − 1 q k \begin{equation}\lambda_k(C)q_k=c_0q_k+c_1Pq_k+c_2P^2q_k+\cdots+c_{n-1}P^{n-1}q_k\end{equation} λk(C)qk=c0qk+c1Pqk+c2P2qk+⋯+cn−1Pn−1qk - 整理可得:
λ k ( C ) q k = c 0 q k + c 1 λ k q k + c 2 λ k 2 q k + ⋯ + c n − 1 λ k n − 1 q k \begin{equation}\lambda_k(C)q_k=c_0q_k+c_1\lambda_kq_k+c_2\lambda_k^2q_k+\cdots+c_{n-1}\lambda_k^{n-1}q_k\end{equation} λk(C)qk=c0qk+c1λkqk+c2λk2qk+⋯+cn−1λkn−1qk - 整理可得:
λ k ( C ) = c 0 + c 1 λ k + c 2 λ k 2 + ⋯ + c n − 1 λ k n − 1 \begin{equation}\lambda_k(C)=c_0+c_1\lambda_k+c_2\lambda_k^2+\cdots+c_{n-1}\lambda_k^{n-1}\end{equation} λk(C)=c0+c1λk+c2λk2+⋯+cn−1λkn−1 - 我们知道: λ k = e 2 π k N = w k , w = e 2 π N \lambda_k=\mathrm{e}^{\frac{2\pi k}{N}}=w^k,w=\mathrm{e}^{\frac{2\pi }{N}} λk=eN2πk=wk,w=eN2π
- 那么可得:
- 小结1:这么做的主要用于:
[后续补充,要补充的逻辑思路太多了]
两个序列的循环卷积为离散傅里叶 D F T 变换下的序列相乘 两个序列的循环卷积为离散傅里叶DFT变换下的序列相乘 两个序列的循环卷积为离散傅里叶DFT变换下的序列相乘 - 小结2: 所有的循环卷积矩阵都可以分解为离散傅里叶矩阵F和系数序列c相乘,它们的特征向量一致。
后续更新逻辑思维图 后续更新逻辑思维图 后续更新逻辑思维图
这篇关于线性代数|机器学习-P32循环矩阵的特征向量-傅里叶矩阵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!