瑞利熵与拉普拉斯矩阵
瑞利熵
瑞利熵
R(M,x)=\frac{x^*Mx}{x^*x}
此处的xxx是一个向量,矩阵M" role="presentation" style="position: relative;">MMM是一个Hermitian矩阵,即该矩阵共轭对称,Mij=M∗jiMij=Mji∗M_{ij}=M_{ji}^*,如果MMM是一个实矩阵,则有MT=M" role="presentation" style="position: relative;">MT=MMT=MM^T=M。
瑞利熵的特点是:最大值和最小值分别等于矩阵MMM最大和最小的特征值。
\lambda_{min}\leqslant \frac{x^*Mx}{x^*x} \leqslant \lambda_{max}
可以用拉格朗日乘子法证明:
\matrix{ & \max{R(M,x)}=\max{x^* Mx}\\s.t. & x^* x=c}
J(x)=x^*Mx-\lambda(x^*x-c)\\ \frac{\partial J(x)}{\partial x}=0\rightarrow Mx=\lambda x\\ R(M,x)=\lambda
从上面的证明可以看出:
- R(M,x)=λR(M,x)=λR(M,x)=\lambda,瑞利熵的值就是M的特征值,最值一致
- xxx的解正是R(M,x)" role="presentation" style="position: relative;">R(M,x)R(M,x)R(M,x)所对应的关于MMM的特征向量
广义瑞利熵
R(M,N,x)=\frac{x^*Mx}{x^*Nx}
令y=N−1/2xy=N−1/2xy=N^{-1/2}x
x^*Mx=y^*(N^{-1/2})^*MN^{-1/2}y\\x^*Nx=y^*(N^{-1/2})^*NN^{-1/2}y=y^*y
R(M,N,y)=\frac{y^*N^{-1/2}MN^{-1/2}y}{y^*y}
根据瑞利熵的性质,R(M,N,y)R(M,N,y)R(M,N,y)实际上是矩阵N−1/2MN−1/2N−1/2MN−1/2N^{-1/2}MN^{-1/2}的特征值
拉普拉斯矩阵
定义
上面这个图 G=<V,E>G=<V,E>G=可以定义两个矩阵:度矩阵DDD(Degree)和邻接矩阵A" role="presentation" style="position: relative;">AAA(Adjacent)
D=\left ( \matrix{4&0&0&0&0\\ 0&2&0&0&0\\ 0&0&3&0&0\\ 0&0&0&3&0\\ 0&0&0&0&2}\right)
A=\left ( \matrix{0&1&1&1&1\\ 1&0&1&0&0\\ 1&1&0&1&0\\1&0&1&0&1\\ 1&0&0&1&0}\right)
拉普拉斯矩阵的定义是:L=D−AL=D−AL = D-A
D-A =\left ( \matrix{4&-1&-1&-1&-1\\ -1&2&-1&0&0\\ -1&-1&3&-1&0\\-1&0&-1&3&-1\\ -1&0&0&-1&2}\right)
性质
令函数 f(vi)f(vi)f(v_i) 表示结点 viviv_i 的函数
f^*Lf=f^*Df-f^*Af\\ =\sum_i f^2(v_i)d_i-\sum_i\sum_jA_{ij}f(v_i)f(v_j)\\ =\frac{1}{2}\left ( \sum_i f^2(v_i)d_i-2\sum_i\sum_jA_{ij}f(v_i)f(v_j) + \sum_j f^2(v_j)d_j\right )\\ =\frac{1}{2}\sum_i\sum_jA_{ij}\left (f_i-f_j\right )^2
这是一个欧氏距离加权求和的形式,特殊的让Aij=1Aij=1A_ij=1,则它就是所有点两两之间的距离之和。所以拉普拉斯矩阵是关于图中的点的一种基于欧氏距离的测度。
另外,显然拉普拉斯矩阵是半正定的,所有特征值都非负。所谓半正定矩阵,即对任意非零向量xxx都有x∗Lx⩾0" role="presentation" style="position: relative;">x∗Lx⩾0x∗Lx⩾0x^*Lx\geqslant 0,看上面的式子显然成立。
那么拉普拉斯矩阵与瑞利熵有什么关系呢?简而言之,上面这个式子的计算,不需要遍历所有点之间的配对,根据瑞利熵的性质,可以简化为求拉普拉斯矩阵关于特征向量 ff<script type="math/tex" id="MathJax-Element-68">f</script> 的特征值,所以是一个特征值分解的过程,而矩阵分解又可以使用梯度下降实现,进一步简化。
参考文献
【Wiki】半正定矩阵
【博客】线性判别分析LDA原理总结
【博客】拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient)
【Wiki】Rayleigh quotient
瑞利熵与拉普拉斯矩阵相关推荐
- 拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient)
作者:桂. 时间:2017-04-13 07:43:03 链接:http://www.cnblogs.com/xingshansi/p/6702188.html 声明:欢迎被转载,不过记得注明出处哦 ...
- 拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient
前言 前面分析了非负矩阵分解(NMF)的应用,总觉得NMF与谱聚类(Spectral clustering)的思想很相似,打算分析对比一下.谱聚类更像是基于图(Graph)的思想,其中涉及到一个重要概 ...
- 【机器学习降维】拉普拉斯矩阵与谱聚类
文章目录 1.拉普拉斯矩阵 1.1 简介 1.2 性质 2. 瑞利熵 3.广义瑞利熵 4.谱聚类 4. Laplacian Eigenmaps 1.拉普拉斯矩阵 1.1 简介 拉普拉斯矩阵(Lap ...
- 谱定理、瑞利熵、PCA(主成分分析)、clustering algorihtm
目录 一.谱定理(Spectral theorem) 二.瑞利熵(Rayleigh Quotients) 三.什么是PCA? 一.谱定理(Spectral theorem) 参考资料: 知乎文章:ht ...
- 有负权重边的图可以有拉普拉斯矩阵吗?
在 看论文Temporal Regularized Matrix Factorization for High-dimensional Time Series Prediction的时候,看到了这样 ...
- 图神经网络(一)图信号处理与图卷积神经网络(2)图信号与图的拉普拉斯矩阵
图神经网络(一)图信号处理与图卷积神经网络(2)图信号与图的拉普拉斯矩阵 给定图G=(V,E)G=(V,E)G=(V,E),V表示图中的节点集合,假设其长度为NNN,图信号是一种描述V→RV→RV→ ...
- 【Pytorch神经网络理论篇】 25 基于谱域图神经网络GNN:基础知识+GNN功能+矩阵基础+图卷积神经网络+拉普拉斯矩阵
图神经网络(Graph Neural Network,GNN)是一类能够从图结构数据中学习特征规律的神经网络,是解决图结构数据(非欧氏空间数据)机器学习问题的最重要的技术. 1 图神经网络的基础知识 ...
- python 邻接矩阵_阿里巴巴举荐,Python视频,免费分享,用python求解特征向量和拉普拉斯矩阵...
学过线性代数和深度学习先关的一定知道特征向量和拉普拉斯矩阵,这两者是很多模型的基础,有着很重要的地位,那用python要怎么实现呢? numpy和scipy两个库中模块中都提供了线性代数的库linal ...
- 拉普拉斯矩阵(Laplacian matrix)及其变体详解
拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵.基尔霍夫矩阵或离散拉普拉斯算子,是图论中用于表示图的一种重要矩阵. 定义 给定一个具有 n n n个顶点的简单图 G = ( V , ...
- 拉普拉斯矩阵(Laplacian matrix)及其变体
拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵.基尔霍夫矩阵或离散拉普拉斯算子,是图论中用于表示图的一种重要矩阵. 定义 给定一个具有 n 个顶点的简单图 G = ( V , E ) ...
最新文章
- 傅里叶频域,复数域,冲激函数,香农采样(不介绍公式-只介绍是啥)另一种思维
- memmove 和 memcpy的区别
- iptables的conntrack表满了导致访问网站很慢
- iOS一个类可以关联多个nib文件
- dataframe获取指定列
- Access 的top和order by 的问题
- 文献学习(part5)--Clustering by Passing Messages Between Data Points
- linux14.04 Apache,Ubuntu 14.04编译安装Apache
- php 防微信照片上传,PHP仿微信多图片预览上传功能
- 读取.properties配置文件(转载)
- 【CSS系列】获取实时数据做进度
- 3 sum python
- 点击输入文本框时自动提示邮箱后缀(vue项目)
- tplink怎么进去_如何进入路由器设置界面 如何登陆无线路由器
- idea启动时加载完卡住的解决办法
- 智能指针的标准之争:Boost vs. Loki (转载)
- 使用TestCafe进行UI测试
- beego之bee 工具简介
- 1字节等于多少bit
- LZY的计算器(暴力)
热门文章
- 淘宝/天猫获取商品历史价格信息 API
- 基于Websocket协议的即时通讯系统设计与实现
- 帅爆! 赛博朋克特效实现
- PostgreSQL数据库部署之 :PostgreSQL pgadmin4 the application server could not be contacted
- UI 移动端设计尺寸
- Java Web 开发后续(四)
- 三星i917官方wp7.8刷机、越狱、防锁全过程
- 微信JS-SDK实现自定义分享功能,分享给朋友,分享到朋友圈及QQ自定义分享--微信分享
- apache2添加网站配置
- java 加载类失败_java-动态类加载在运行时失败