如何实现矩阵的重采样问题

文章目录


前言

记录知乎的自问自答。

一、问题描述

我的问题是这样的,有两个列向量E和F,需要注意的是,E和F是连续的,可任意插值,得到包含其中的子向量。E和F通过一个m×n的矩阵联系起来,如下: M m × n × E n × 1 = F m × 1 M_{m\times n}\times E_{n\times 1}=F_{m\times 1} Mm×n×En×1=Fm×1现在,我通过线性插值的方式,得到了E和F的子向量,它们长度分别为v和u,那么请问,我该如何求得矩阵M',使得: M u × v ′ × E v × 1 = F u × 1 M'{u\times v}\times E{v\times 1}=F_{u\times 1} Mu×v′×Ev×1=Fu×1

二、回答

可能是我表述不明白?或者这个问题比较简单?思考了两天,找到了在一定假设下能够实现我需求的方法,这里记录一下。

对于这种要采样的矩阵来说,最麻烦的是,每行的采样方式,因为这是一个相乘再求和的过程,在这个基础上,对结果进行插值,再求矩阵,不可避免地会产生问题。好在我这里的实际问题能够在有效的假设下,规避这个问题。

既然说,E和F都是连续的,不妨设存在函数E(x)和F(x)来描述这两个向量。我们从简单的地方出发,看看会遇到什么问题,先在行方向上采用,再处理列方向的采样。

首先,我们来计算F的第一行, F 1 = M 1 , 1 × E 1 + M 1 , 2 × E 2 + . . . + M 1 , n × E n = ∑ j = 1 n M 1 , j × E j F_1=M_{1,1}\times E_1+M_{1,2}\times E_2+...+M_{1,n}\times E_n=\sum_{j=1}^{n}{M_{1,j}}\times E_j F1=M1,1×E1+M1,2×E2+...+M1,n×En=∑j=1nM1,j×Ej。既然E和F都是连续的,那么不难推断,M应当也是连续的,可任意插值,不妨在第一行上,我们用m(x)表示。那么刚才的式子就可以写成 F 1 = ∫ 1 n m ( x ) E ( x ) d x F_1=\int_{1}^{n}m\left( x \right)E\left( x \right)dx F1=∫1nm(x)E(x)dx。

现在,我们期望的是,从E(x)中任意抽出的序列 E v × 1 E_{v\times 1} Ev×1,都能找到对应的m(x)的序列 M 1 × v ′ M'{1\times v} M1×v′,继续满足 F 1 = ∑ j = 1 v M 1 , j ′ × E j F_1=\sum{j=1}^{v}{M'_{1,j}}\times E_j F1=∑j=1vM1,j′×Ej。你可能想用拟合的方法求得m(x),但不幸的是,m(x)并没有你想的平缓,拟合容易出问题,而且我的问题对数值比较敏感,M矩阵的量级在 1 0 − 5 10^{-5} 10−5,贸然拟合恐怕会有比较大的偏差。相对于拟合,我更喜欢插值。

我们把视野再缩小一点,看看 E v × 1 E_{v\times 1} Ev×1中的某个 E i E_i Ei,如何通过插值获得其对应的 M 1 , i ′ M'{1,i} M1,i′呢?不失一般性地,我们找到 M 1 , i ′ M'{1,i} M1,i′在原始矩阵中临近的两个值m(a),m(b)和它们对应的E(a),E(b)。我们希望的是, ∫ a b m ( x ) E ( x ) d x = m ′ ( i ) × E ( i ) \int_{a}^{b}m\left( x \right)E\left( x \right)dx=m'\left( i \right)\times E\left( i \right) ∫abm(x)E(x)dx=m′(i)×E(i),这时,我们重要的假设就要登场了。

好在,在一个a-b的区间内,可以合理假设E是不变的,或者,该积分的值主要受m(x)影响,那么上面的式子就变成了 ∫ a b m ( x ) d x = m ′ ( i ) \int_{a}^{b}m\left( x \right)dx=m'\left( i \right) ∫abm(x)dx=m′(i)。至此,通过合理的假设,完成了M'在行方向上的采样。

那么继续,在列方向上的采样就简单得多了,直接线性插值即可,因为矩阵的每一行之间没有计算。

解决这个问题稍显兴奋,写得有些啰里吧嗦,感谢您能浪费时间在这个问题上。

相关推荐
引量AI10 天前
TikTok 矩阵如何快速涨粉
大数据·人工智能·矩阵·tiktok矩阵·海外社媒
Ven%10 天前
矩阵阶数(线性代数) vs. 张量维度(深度学习):线性代数与深度学习的基石辨析,再也不会被矩阵阶数给混淆了
人工智能·pytorch·深度学习·线性代数·矩阵·tensor·张量
云云32110 天前
亚矩云手机赋能Vinted矩阵运营:破解二手电商多账号与本地化困局
网络·人工智能·智能手机·矩阵·自动化
云云32111 天前
Subway Surfers Blast × 亚矩阵云手机:手游矩阵运营的终极变现方案
大数据·人工智能·线性代数·智能手机·矩阵·架构
点云侠12 天前
PCL 点云旋转的轴角表示法
人工智能·线性代数·算法·计算机视觉·矩阵
云云32112 天前
Snapchat矩阵运营新策略:亚矩阵云手机打造高效社交网络
线性代数·智能手机·矩阵
音程12 天前
(详细介绍)线性代数中的零空间(Null Space)
线性代数
爱学习的capoo13 天前
【解析法与几何法在阻尼比设计】自控
线性代数·机器学习·概率论
只有左边一个小酒窝13 天前
(十七)深度学习之线性代数:核心概念与应用解析
人工智能·深度学习·线性代数
ZNineSun13 天前
搜索二维矩阵II
矩阵·二分查找·二维矩阵