24.马尔科夫矩阵,傅里叶级数

文章目录

  • [1. Markov matrix](#1. Markov matrix)
    • [1.1 定义](#1.1 定义)
    • [1.2 计算](#1.2 计算)
  • [2. 马尔科夫矩阵的应用](#2. 马尔科夫矩阵的应用)
  • [3. 傅里叶级数](#3. 傅里叶级数)
    • [3.1 标准正交基的投影问题](#3.1 标准正交基的投影问题)
    • [3.2 函数正交](#3.2 函数正交)
    • [3.3 傅里叶级数](#3.3 傅里叶级数)

1. Markov matrix

1.1 定义

对于马尔科夫矩阵Markov matrix 来说,矩阵A要满足两个条件:

  • 矩阵A的每个元素必须大于等于0
  • 矩阵A中的每一列 a 0 a_0 a0向量里面的元素和为1,这样保证了矩阵A的特征值最大为1,其他特征值小于1.
    A = [ 0.1 0.01 0.3 0.2 0.99 0.3 0.7 0 0.4 ] \begin{equation} A=\begin{bmatrix} 0.1&0.01&0.3\\\\ 0.2&0.99&0.3\\\\ 0.7&0&0.4 \end{bmatrix} \end{equation} A= 0.10.20.70.010.9900.30.30.4
    我们发现矩阵A上的每个元素都大于等于0;
    0.1+0.2+0.7=1;0.01+0.99+0=1,;0.3+0.3+0.4=1;故可以得出矩阵A为Markov matrix!!!

1.2 计算

u k + 1 = A u k ; u k + 1 = A n u 0 ; A k = S Λ k S − 1 ; u 0 = S C 0 \begin{equation} u_{k+1}=Au_k;u_{k+1}=A^nu_0;A^k=S\Lambda^k S^{-1};u_0=SC_0 \end{equation} uk+1=Auk;uk+1=Anu0;Ak=SΛkS−1;u0=SC0

  • 化简可得如下:
    u k = A k u 0 = S Λ k S − 1 S C 0 = S Λ k C 0 \begin{equation} u_{k}=A^ku_0=S\Lambda^k S^{-1}SC_0=S\Lambda^kC_0 \end{equation} uk=Aku0=SΛkS−1SC0=SΛkC0
    u k = S Λ k C 0 = S [ λ 1 k λ 2 k ⋱ λ n k ] C 0 = c 1 λ 1 k x 1 + c 2 λ 2 k x 2 + ⋯ + c n λ n k x n \begin{equation} u_{k}=S\Lambda^kC_0=S\begin{bmatrix}\lambda_1^k\\\\&\lambda_2^k\\\\&&&\ddots\\\\&&&&\lambda_n^k\end{bmatrix}C_0=c_1\lambda_1^kx_1+c_2\lambda_2^kx_2+\cdots+c_n\lambda_n^kx_n \end{equation} uk=SΛkC0=S λ1kλ2k⋱λnk C0=c1λ1kx1+c2λ2kx2+⋯+cnλnkxn
  • 由上述公式可以看出,当k趋近于无穷大的时候,如果 ∣ λ i ∣ < 1 |\lambda_i|<1 ∣λi∣<1时, λ i k = 0 \lambda_i^k=0 λik=0,只有 λ i = 1 \lambda_i=1 λi=1时保留,即为最终的稳态!!!
  • 假设 λ 1 = 1 \lambda_1=1 λ1=1,其他的 ∣ λ i ∣ < 1 |\lambda_i|<1 ∣λi∣<1, lim ⁡ k → ∞ λ i k = 0 , ∣ λ i ∣ < 1 \lim _{k \to\infty}\lambda_i^k=0,|\lambda_i|<1 limk→∞λik=0,∣λi∣<1整理上述公式可得:
    u k = c 1 x 1 \begin{equation} u_k=c_1x_1 \end{equation} uk=c1x1
  • 为什么markov matrix 有一个特征值为1?
    A 1 = A − 1 I = [ − 0.9 0.01 0.3 0.2 − 0.01 0.3 0.7 0 − 0.6 ] \begin{equation} A_1=A-1I=\begin{bmatrix} -0.9&0.01&0.3\\\\ 0.2&-0.01&0.3\\\\ 0.7&0&-0.6 \end{bmatrix} \end{equation} A1=A−1I= −0.90.20.70.01−0.0100.30.3−0.6
  • 我们计算行列式值时,将 A 1 A_1 A1的各行相加到第1行,可以得到第1行都为0,所以 ∣ A 1 ∣ = 0 |A_1|=0 ∣A1∣=0,所以可以得出,矩阵A一定有一个特征值满足 λ i = 1 \lambda_i=1 λi=1
  • 矩阵A的特征值和矩阵 A T A^T AT的特征值是否一致?
    我们知道计算矩阵A的特征值如下:
    d e t ( A − λ i I ) = 0 \begin{equation} det(A-\lambda_i I)=0 \end{equation} det(A−λiI)=0
  • 将上式两边进行转置可得:
    d e t ( A T − λ j I T ) = d e t ( A T − λ j I ) = 0 \begin{equation} det(A^T-\lambda_j I^T)=det(A^T-\lambda_j I)=0 \end{equation} det(AT−λjIT)=det(AT−λjI)=0
  • 可以得出: λ i = λ j \lambda_i=\lambda_j λi=λj
    矩阵 A 和矩阵 A T 的特征值一致!!! 矩阵A和矩阵A^T的特征值一致!!! 矩阵A和矩阵AT的特征值一致!!!

2. 马尔科夫矩阵的应用

假设我们有两个州,一个叫加州,另外一个叫麻省。我们来看看两个州的人口问题,假设由于某些原因,在保证总人数不变的情况下,加州和麻省的人口每年进行相互流动,最终我们需要计算出经过100年后,加州和麻省最终的人口趋向于那个比例,矩阵A表示经过一年后发生了人口的迁移比例。

  • 我们用 u c a l u_{cal} ucal表示加州人口,用 u m a s u_{mas} umas表示麻省人口。
  • 对于加州的人口来说:在第k+1时刻,在第 k 时刻有0.9的人留在加州,有0.1的人去麻省;
  • 对于麻省的人口来说:在第k+1时刻,在第 k 时刻有0.8的人留在麻省,有0.1的人去加州;
  • 初始状态下,加州人口为0,麻省人口为1000;
    • u c a l u m a s \] t = k + 1 = \[ 0.9 0.1 \] u c a l ∣ t = k + \[ 0.8 0.2 \] u m a s ∣ t = k \\begin{equation} \\begin{bmatrix}u_{cal}\\\\\\\\u_{mas} \\end{bmatrix}_{t=k+1}=\\begin{bmatrix}0.9\\\\\\\\0.1\\end{bmatrix}u_{cal}\|_{t=k}+\\begin{bmatrix}0.8\\\\\\\\0.2\\end{bmatrix}u_{mas}\|_{t=k} \\end{equation} ucalumas t=k+1= 0.90.1 ucal∣t=k+ 0.80.2 umas∣t=k

    u c a l u m a s \] t = k + 1 = \[ 0.9 0.2 0.1 0.8 \] \[ u c a l u m a s \] t = k ; u 0 = \[ 0 1000 \] ; ⇒ u 1 = \[ 200 800 \] ; \\begin{equation} \\begin{bmatrix}u_{cal}\\\\\\\\u_{mas} \\end{bmatrix}_{t=k+1}=\\begin{bmatrix}0.9\&0.2\\\\\\\\0.1\&0.8\\end{bmatrix}\\begin{bmatrix}u_{cal}\\\\\\\\u_{mas} \\end{bmatrix}_{t=k};u_0=\\begin{bmatrix}0\\\\\\\\1000\\end{bmatrix};\\Rightarrow u_1=\\begin{bmatrix}200\\\\\\\\800\\end{bmatrix}; \\end{equation} ucalumas t=k+1= 0.90.10.20.8 ucalumas t=k;u0= 01000 ;⇒u1= 200800 ;

    A = [ 0.9 0.2 0.1 0.8 ] ⇒ λ 1 = 1 , v 1 = [ 2 1 ] λ 2 = 0.7 , v 2 = [ 1 − 1 ] \begin{equation} A=\begin{bmatrix}0.9&0.2\\\\0.1&0.8\end{bmatrix} \Rightarrow \lambda_1=1,v_1=\begin{bmatrix}2\\\\1\end{bmatrix}\lambda_2=0.7,v_2=\begin{bmatrix}1\\\\-1\end{bmatrix} \end{equation} A= 0.90.10.20.8 ⇒λ1=1,v1= 21 λ2=0.7,v2= 1−1
  • 初始向量 u 0 u_0 u0可以分解如下:
    u 0 = [ 0 1000 ] = 1000 3 [ 2 1 ] − 2000 3 [ 1 − 1 ] = [ 2 1 1 − 1 ] [ 1000 3 − 2000 3 ] \begin{equation} u_0=\begin{bmatrix}0\\\\1000\end{bmatrix}=\frac{1000}{3}\begin{bmatrix}2\\\\1\end{bmatrix}-\frac{2000}{3}\begin{bmatrix}1\\\\-1\end{bmatrix}=\begin{bmatrix}2&1\\\\1&-1\end{bmatrix}\begin{bmatrix}\frac{1000}{3}\\\\-\frac{2000}{3}\end{bmatrix} \end{equation} u0= 01000 =31000 21 −32000 1−1 = 211−1 31000−32000
    u 0 = S C 0 ; S = [ 2 1 1 − 1 ] ; C 0 = [ 1000 3 − 2000 3 ] \begin{equation} u_0=SC_0;S=\begin{bmatrix}2&1\\\\1&-1\end{bmatrix};C_0=\begin{bmatrix}\frac{1000}{3}\\\\-\frac{2000}{3}\end{bmatrix} \end{equation} u0=SC0;S= 211−1 ;C0= 31000−32000
  • 化简差分方程如下:
    u k = [ u c a l u m a s ] t = k ; u k + 1 = A u k ; u k = A k u 0 = S Λ k C 0 = [ 2 1 1 − 1 ] [ λ 1 k 0 0 λ 2 k ] [ 1000 3 − 2000 3 ] \begin{equation} u_{k}=\begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}{t=k}; u{k+1}=Au_k;u_k=A^ku_0=S\Lambda^kC_0=\begin{bmatrix}2&1\\\\1&-1\end{bmatrix}\begin{bmatrix}\lambda_1^k&0\\\\0&\lambda_2^k\end{bmatrix}\begin{bmatrix}\frac{1000}{3}\\\\-\frac{2000}{3}\end{bmatrix} \end{equation} uk= ucalumas t=k;uk+1=Auk;uk=Aku0=SΛkC0= 211−1 λ1k00λ2k 31000−32000
  • 整理上述可得:

    u c a l u m a s \] = \[ 2000 3 λ 1 k − 2000 3 λ 2 k 1000 3 λ 1 k + 2000 3 λ 2 k \] \\begin{equation} \\begin{bmatrix}u_{cal}\\\\\\\\u_{mas} \\end{bmatrix}= \\begin{bmatrix} \\frac{2000}{3}\\lambda_1\^k-\\frac{2000}{3}\\lambda_2\^k\\\\\\\\ \\frac{1000}{3}\\lambda_1\^k+\\frac{2000}{3}\\lambda_2\^k \\end{bmatrix} \\end{equation} ucalumas = 32000λ1k−32000λ2k31000λ1k+32000λ2k

    lim ⁡ k → ∞ [ u c a l u m a s ] = [ 2000 3 1000 3 ] \begin{equation} \lim_{k \to \infty}\begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}= \begin{bmatrix} \frac{2000}{3}\\\\ \frac{1000}{3} \end{bmatrix} \end{equation} k→∞lim ucalumas = 3200031000

3. 傅里叶级数

3.1 标准正交基的投影问题

假设我们有一组单位长度为1且相互正交的基向量 q 1 , q 2 , ⋯   , q n q_1,q_2,\cdots,q_n q1,q2,⋯,qn,对于任意向量v;那么我们可以将向量v通过基向量的线性组合而成;
v = x 1 q 1 + x 2 q 2 + ⋯ + x n q n = [ q 1 q 2 ⋯ q n ] [ x 1 x 2 ⋮ x n ] = Q X ; Q − 1 = Q T \begin{equation} v=x_1q_1+x_2q_2+\cdots+x_nq_n=\begin{bmatrix}q_1&q_2&\cdots&q_n\end{bmatrix}\begin{bmatrix}x_1\\\\x_2\\\\\vdots\\\\x_n\end{bmatrix}=QX;Q^{-1}=Q^T \end{equation} v=x1q1+x2q2+⋯+xnqn=[q1q2⋯qn] x1x2⋮xn =QX;Q−1=QT
v = Q X ; X = Q − 1 v = Q T v \begin{equation} v=QX;X=Q^{-1}v=Q^Tv \end{equation} v=QX;X=Q−1v=QTv

  • 因为 q i q_i qi满足如下条件:
    q i T q j = { 0 , i ≠ j 1. i = j , ∣ ∣ q i ∣ ∣ = 1 \begin{equation} q_i^Tq_j=\left\{ \begin{array}{ll} 0, &i \neq j \\ 1.&i=j\\ \end{array}, \quad ||q_i||=1 \right. \end{equation} qiTqj={0,1.i=ji=j,∣∣qi∣∣=1
  • 等式两边同时乘以 q i T q_i^T qiT,可得如下:
    q i T v = x 1 q i T q 1 + x 2 q i T q 2 + + ⋯ + x i q i T q i + ⋯ + x n q i T q n \begin{equation} q_i^Tv=x_1q_i^Tq_1+x_2q_i^Tq_2++\cdots+x_iq_i^Tq_i+\cdots+x_nq_i^Tq_n \end{equation} qiTv=x1qiTq1+x2qiTq2++⋯+xiqiTqi+⋯+xnqiTqn
  • 整理可得:
    x i = q i T v \begin{equation} x_i=q_i^Tv \end{equation} xi=qiTv
  • 那么系数X向量可得:

    x 1 x 2 ⋮ x n \] = \[ q 1 T v q 2 T v ⋮ q n T v \] \\begin{equation} \\begin{bmatrix} x_1\\\\\\\\x_2\\\\\\\\\\vdots\\\\\\\\x_n \\end{bmatrix}=\\begin{bmatrix} q_1\^Tv\\\\\\\\q_2\^Tv\\\\\\\\\\vdots\\\\\\\\q_n\^Tv \\end{bmatrix} \\end{equation} x1x2⋮xn = q1Tvq2Tv⋮qnTv

我们知道,如果两个向量正交,表示的是两个向量对应元素的积后求和为0,用公式如下:

x 1 x 2 ⋯ x n \] \[ y 1 y 2 ⋮ y n \] = x 1 y 1 + x 2 y 2 + ⋯ + x n y n = 0 \\begin{equation} \\begin{bmatrix} x_1\&x_2\&\\cdots\&x_n \\end{bmatrix}\\begin{bmatrix} y_1\\\\\\\\y_2\\\\\\\\\\vdots\\\\\\\\y_n \\end{bmatrix}=x_1y_1+x_2y_2+\\cdots+x_ny_n=0 \\end{equation} \[x1x2⋯xn\] y1y2⋮yn =x1y1+x2y2+⋯+xnyn=0 * 同理我们将向量x,y换成f,g,内积换成相乘,求和换成定积分,那就换成了关于两函数正交的公式 ∫ a b f ( x ) g ( x ) d x = f 1 g 1 + f 2 g 2 + ⋯ + f n g n \\begin{equation} \\int_{a}\^bf(x)g(x)\\mathrm{d}x=f_1g_1+f_2g_2+\\cdots+f_ng_n \\end{equation} ∫abf(x)g(x)dx=f1g1+f2g2+⋯+fngn ### 3.3 傅里叶级数 我们现在在函数空间内,希望有一组函数基,能够像正交基样,任意两个子向量正交,这时就出现了傅里叶级数: f ( x ) = a 0 + a 1 cos ⁡ ( x ) + b 1 sin ⁡ ( x ) + a 2 cos ⁡ ( 2 x ) + b 1 sin ⁡ ( 2 x ) + ⋯ + a n cos ⁡ ( n x ) + b n sin ⁡ ( n x ) + ⋯ \\begin{equation} f(x)=a_0+a_1\\cos(x)+b_1\\sin(x)+a_2\\cos(2x)+b_1\\sin(2x)+\\cdots+a_n\\cos(nx)+b_n\\sin(nx)+\\cdots \\end{equation} f(x)=a0+a1cos(x)+b1sin(x)+a2cos(2x)+b1sin(2x)+⋯+ancos(nx)+bnsin(nx)+⋯ * 化简可得: f ( x ) = a 0 + ∑ i = 1 + ∞ a n cos ⁡ ( n w 0 x ) + ∑ i = 1 + ∞ b n sin ⁡ ( n w 0 x ) \\begin{equation} f(x)=a_0+\\sum_{i=1}\^{+\\infty}a_n\\cos(nw_0x)+\\sum_{i=1}\^{+\\infty}b_n\\sin(nw_0x) \\end{equation} f(x)=a0+i=1∑+∞ancos(nw0x)+i=1∑+∞bnsin(nw0x) * 我们用傅里叶函数f(x)和系数函数g(x),因为正弦函数的周期性,整理可得: f T g = ∫ 0 2 π f ( x ) g ( x ) d x ; f ( x + 2 π ) = f ( x ) ; \\begin{equation} f\^Tg=\\int_{0}\^{2\\pi}f(x)g(x)\\mathrm{dx};f(x+2\\pi)=f(x); \\end{equation} fTg=∫02πf(x)g(x)dx;f(x+2π)=f(x); * 因为周期为 2 π 2\\pi 2π,所以可以只需要求 ( 0 , 2 π ) (0,2\\pi) (0,2π)之间的定积分。 f T g = ∫ 0 2 π f ( x ) g ( x ) d x ; f ( x + 2 π ) = f ( x ) ; \\begin{equation} f\^Tg=\\int_{0}\^{2\\pi}f(x)g(x)\\mathrm{dx};f(x+2\\pi)=f(x); \\end{equation} fTg=∫02πf(x)g(x)dx;f(x+2π)=f(x); * 小结: 若在整个数轴上 f ( x ) = a 0 2 + ∑ n = 1 ∞ ( a n cos ⁡ ( n x ) + b n sin ⁡ ( n x ) ) \\begin{equation} f(x)=\\frac{a_0}{2}+\\sum_{n=1}\^{\\infty}(a_n\\cos(nx)+b_n\\sin(nx)) \\end{equation} f(x)=2a0+n=1∑∞(ancos(nx)+bnsin(nx)) 且等式右边级数一致收敛,则可以求得系数如下: a n = 1 π ∫ − π π f ( x ) cos ⁡ ( n x ) d x ; ( n = 0 , 1 , 2 , ⋯   ) \\begin{equation} a_n=\\frac{1}{\\pi}\\int_{-\\pi}\^{\\pi}f(x)\\cos(nx)\\mathrm{dx};(n=0,1,2,\\cdots) \\end{equation} an=π1∫−ππf(x)cos(nx)dx;(n=0,1,2,⋯) b n = 1 π ∫ − π π f ( x ) sin ⁡ ( n x ) d x ; ( n = 1 , 2 , ⋯   ) \\begin{equation} b_n=\\frac{1}{\\pi}\\int_{-\\pi}\^{\\pi}f(x)\\sin(nx)\\mathrm{dx};(n=1,2,\\cdots) \\end{equation} bn=π1∫−ππf(x)sin(nx)dx;(n=1,2,⋯)

相关推荐
SylviaW084 小时前
python-leetcode 63.搜索二维矩阵
python·leetcode·矩阵
小卡皮巴拉4 小时前
【力扣刷题实战】矩阵区域和
开发语言·c++·算法·leetcode·前缀和·矩阵
闯闯爱编程8 小时前
数组与特殊压缩矩阵
数据结构·算法·矩阵
ElseWhereR17 小时前
矩阵对角线元素的和 - 简单
线性代数·矩阵
飞川撸码20 小时前
【LeetCode 热题100】240:搜索二维矩阵 II(详细解析)(Go语言版)
leetcode·矩阵·golang
jndingxin2 天前
OpenCV 图形API(5)API参考:数学运算用于执行图像或矩阵加法操作的函数add()
opencv·webpack·矩阵
y5236483 天前
PowerBI 矩阵,列标题自定义排序
线性代数·矩阵·powerbi
梭七y3 天前
【力扣hot100题】(017)矩阵置零
算法·leetcode·矩阵
进击的jerk4 天前
力扣.旋转矩阵Ⅱ
算法·leetcode·矩阵
幻风_huanfeng4 天前
人工智能之数学基础:矩阵的相似变换的本质是什么?
人工智能·深度学习·线性代数·机器学习·矩阵·相似变换