矩阵1-范数与二重求和的求和可交换
矩阵1-范数与二重求和的求和可交换
1、矩阵1-范数
A = [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ] A = \begin{bmatrix} a_{11} &a_{12} &\cdots &a_{1n} \\ a_{21} &a_{22} &\cdots &a_{2n} \\ \vdots &\vdots &\ddots &\vdots \\ a_{n1} &a_{n2} &\cdots &a_{nn} \\ \end{bmatrix} A= a11a21⋮an1a12a22⋮an2⋯⋯⋱⋯a1na2n⋮ann
∣ ∣ A ∣ ∣ m 1 = ∑ i = 1 n ( ∑ j = 1 n ∣ a i j ∣ ) = ∑ j = 1 n ( ∑ i = 1 n ∣ a i j ∣ ) ||A||_{m1} = \sum_{i=1}^{n} (\sum_{j=1}^{n}|a_{ij}|) = \sum_{j=1}^{n} (\sum_{i=1}^{n}|a_{ij}|) ∣∣A∣∣m1=i=1∑n(j=1∑n∣aij∣)=j=1∑n(i=1∑n∣aij∣)
2、二重求和的求和符号可交换
对于矩阵1-范数而言,求和符号交换前后是按行求和与按列求和的区别。本质上都是把每个元素取模并相加。
再讨论一个例子,自相关函数 r ( m ) r(m) r(m)。
对于一个广义平稳离散时间随机过程 u ( n ) u(n) u(n)而言,其自相关函数定义为:
r ( m ) = E { u ( n ) u ∗ ( n − m ) } = ∫ ∫ u ( n ) u ∗ ( n − m ) p ( u n , u n − m ; n , n − m ) d u n d u n − m r(m) = E\{u(n)u^*(n-m)\} = \int\int u(n)u^*(n-m)p(u_n,u_{n-m};n,n-m)\mathrm{d}u_n \mathrm{d}u_{n-m} r(m)=E{u(n)u∗(n−m)}=∫∫u(n)u∗(n−m)p(un,un−m;n,n−m)dundun−m
其中 E E E是求期望, p ( ) p() p()表示联合概率密度函数。积分范围是 u ( n ) u(n) u(n)的值域,作为离散时间信号,值域不一定是离散的,值域经过量化后称为“数字信号”。
假设观测了N个采样点,那么可以得到 u ( n ) u(n) u(n)的离散傅立叶变换DFT:
U ( k ) = ∑ n = 0 N − 1 u ( n ) e − j 2 π N k n U(k) = \sum_{n=0}^{N-1} u(n) e^{-j\frac{2\pi}{N}kn} U(k)=n=0∑N−1u(n)e−jN2πkn
在信号处理领域,通常会从0开始编号,也比较符合实际,电路采样一般从一个时钟上升边沿开始算起。
当我们考虑 U ( k ) U(k) U(k)的自相关函数的时候:
r U ( m ) = E { U ( k ) U ∗ ( k − m ) } = E { ∑ n = 0 N − 1 u ( n ) e − j 2 π N k n ∑ l = 0 N − 1 u ( l ) e j 2 π N ( k − m ) l } r_U(m) = E\{U(k)U^*(k-m)\} = E\{\sum_{n=0}^{N-1} u(n) e^{-j\frac{2\pi}{N}kn}\sum_{l=0}^{N-1} u(l) e^{j\frac{2\pi}{N}(k-m)l}\} rU(m)=E{U(k)U∗(k−m)}=E{n=0∑N−1u(n)e−jN2πknl=0∑N−1u(l)ejN2π(k−m)l}
注意到这里出现了两个和相乘的形式,那么根据多项式乘法规则,应该得到 N 2 N^2 N2项之和。
这个时候就可以写成:
r U ( m ) = E { ∑ n = 0 N − 1 ∑ l = 0 N − 1 u ( n ) u ( l ) e − j 2 π N k n e j 2 π N ( k − m ) l } r_U(m) =E\{\sum_{n=0}^{N-1} \sum_{l=0}^{N-1} u(n)u(l) e^{-j\frac{2\pi}{N}kn} e^{j\frac{2\pi}{N}(k-m)l}\} rU(m)=E{n=0∑N−1l=0∑N−1u(n)u(l)e−jN2πknejN2π(k−m)l}
抽象一下:
考虑两个序列 a = ( a 1 , a 2 , ⋯ , a n ) T a = (a_1,a_2,\cdots,a_n)^T a=(a1,a2,⋯,an)T和 b = ( b 1 , b 2 , ⋯ , b n ) T b=(b_1,b_2,\cdots,b_n)^T b=(b1,b2,⋯,bn)T的1-范数相乘,
∣ ∣ a ∣ ∣ 1 ⋅ ∣ ∣ b ∣ ∣ 1 = ∑ i = 1 n ∣ a i ∣ ∑ j = 1 n ∣ b j ∣ = ∑ i = 1 n ∑ j = 1 n ∣ a i ∣ ∣ b j ∣ = ∑ i = 1 n ∑ j = 1 n ∣ a i b j ∣ ||a||_1\cdot ||b||_1 = \sum_{i=1}^n|a_i| \sum_{j=1}^n |b_j| = \sum_{i=1}^n \sum_{j=1}^n |a_i||b_j| = \sum_{i=1}^n \sum_{j=1}^n |a_ib_j| ∣∣a∣∣1⋅∣∣b∣∣1=i=1∑n∣ai∣j=1∑n∣bj∣=i=1∑nj=1∑n∣ai∣∣bj∣=i=1∑nj=1∑n∣aibj∣
实际上可以表示成一个矩阵:
[ a 1 b 1 a 1 b 2 ⋯ a 1 b n a 2 b 1 a 2 b 2 ⋯ a 2 b 2 ⋮ ⋮ ⋱ ⋮ a n b 1 a n b 2 ⋯ a n b n ] \begin{bmatrix} a_1 b_1 &a_1 b_2 &\cdots &a_1 b_n \\ a_2 b_1 &a_2 b_2 &\cdots &a_2 b_2 \\ \vdots &\vdots &\ddots &\vdots \\ a_n b_1 &a_n b_2 &\cdots &a_n b_n \\ \end{bmatrix} a1b1a2b1⋮anb1a1b2a2b2⋮anb2⋯⋯⋱⋯a1bna2b2⋮anbn
再考虑这个问题的反面,即有没有二重求和是不能交换求和顺序的呢?
对于数值函数的二重积分,二重积分的值与积分次序无关要求积分区域既可表示成X-型区域,又可表示成Y-型区域。
对于二重求和而言,相当于对于一个矩形区域,变积分为求和。所以对于大多数情况而言,二重求和都是可以交换求和顺序的。(没有说得很绝对,因为这还仅仅是我自己的考虑,没有去考证)
相关文章:
矩阵1-范数与二重求和的求和可交换
矩阵1-范数与二重求和的求和可交换 1、矩阵1-范数 A [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ] A \begin{bmatrix} a_{11} &a_{12} &\cdots &a_{1n} \\ a_{21} &a_{22} &\cdots &a_{2n} \\ \vdots &\vdots …...
Python笔记 - *args和**kwargs
探索Python的*args和**kwargs 在Python中,函数可以接受任意数量的参数,而这要归功于*args和**kwargs的强大功能。这两个特性使得函数在处理不同数量的输入时变得更加灵活和高效。在这篇博客中,我们将详细介绍*args和**kwargs,并展…...
微信小程序实现图片转base64
在微信小程序中,图片转base63可以引入第三方插件; 也可以通过下边的方法转base64。 转换方法: imgToBase64(filePath) {return new Promise((resolve, reject) > {let baseFormat data:image/png;base64,let base64 wx.getFileSystem…...
os和os.path模块
自学python如何成为大佬(目录):https://blog.csdn.net/weixin_67859959/article/details/139049996?spm1001.2014.3001.5501 目录也称文件夹,用于分层保存文件。通过目录可以分门别类地存放文件。我们也可以通过目录快速找到想要的文件。在Python中,并…...
链表题目练习----重排链表
这道题会联系到前面写的一篇文章----快慢指针相关经典问题。 重排链表 指针法 这道题乍一看,好像有点难处理,但如果仔细观察就会发现,这道题是查找中间节点反转链表链表的合并问题,具体细节有些不同,这个在反装中间链…...
【杂记-浅谈XSS跨站脚本攻击】
一、什么是XSS? XSS,Cross-site Scripting,跨站脚本攻击,是一种典型的Web程序漏洞利用攻击,攻击者利用Web程序对用户输入检查不足的漏洞将可执行恶意脚本注入网站或Web应用,当用户访问网页时触发恶意脚本的…...
VMware虚拟机与MobaXterm建立远程连接失败
VMware虚拟机与MobaXterm建立远程连接失败 首先可以检查一下是不是虚拟机的ssh服务并不存在 解决方法: 1.更新镜像源 yum -y update 这个过程会有点久,请耐心等待 2.安装ssh yum install openssh-server 3.启动ssh systemctl restart sshd 4.查…...
mysql undolog管理
在MySQL中,Undo Log(撤销日志)用于支持事务的回滚和MVCC(多版本并发控制)。为了避免Undo Log不断增长,影响系统性能,需要进行合理的清理。MySQL的Undo Log清理策略主要依赖于系统的配置参数和后…...
【Linux】进程2——管理概念,进程概念
1.什么是管理? 那在还没有学习进程之前,就问大家,操作系统是怎么管理进行进程管理的呢? 很简单,先把进程描述起来,再把进程组织起来! 我们拿大学为例子 最典型的管理者——校长最典型的被管理…...
【C++】植物大战僵尸杂交版自动存档——防闪退存档消失
植物大战僵尸杂交版现已更新到v2.0.88,闪退问题还是偶有发生,参考网上现有的方案,简单实现了一个。 原理就是监控存档目录的文件变化,一旦有新的存档,则将其备份。如发生闪退,则还原备份即可。 原目录&…...
通过Excel,生成sql,将A表数据插入B表
文章目录 投机取巧的方式,进行表数据初始化通过navicat搜索A表数据,然后复制进excel中通过excel的函数方式,将该批量数据自动生成插入B表的sql语句然后一次性拷贝生成的sql语句,放进navicat中一次执行,直接完成数据初始化...
如何在MySQL中实现upsert:如果不存在则插入?
目录 1 使用 REPLACE 2 使用 INSERT ... ON DUPLICATE KEY UPDATE 使用 INSERT IGNORE 有效会导致 MySQL 在尝试执行语句时忽略执行错误 INSERT 。这意味着 包含 索引或 字段 INSERT IGNORE 中重复值的语句 不会 产生错误,而只是完全忽略该特定 命令。其明显目的是…...
MyBatis中 set标签
1、set标签特点: set标签用于更新语句中set标签解析为set关键字set可以去除跟新语句中无用的逗号通常是和if标签一起使用 2、set标签的使用 编写接口方法编写sql语句 注意 当set标签中有条件成立时就会附加set关键字,字段为null时该列不会被更新。se…...
mysql自带分页
select 查询列表 from 表 limit offset,pagesize; offset代表的是起始的条目索引,默认从0开始size代表的是显示的条目数offset(n-1)*pagesize -- 第-页 limit 0 5 -- 第二页 limit 5,5 -- 第三页 limit 10,5 -- 第n页limit(n-1)*pagesize,pagesize -- pages…...
小学一年级数学上册,我终于学完了
目录 一、背景二、过程1.我对课程中的一些知识的思考2.我对于产品的思考3.我对自己儿子与知识产品结合的思考4.产品反馈的那些有意思的数据 三、总结 一、背景 简约而不简单,即是曾经的再现,也是未来的延伸,未来已来,就在脚下。 …...
使用wireshark分析tcp握手过程
开启抓包 tcpdump -i any host 127.0.0.1 and port 123 -w tcp_capture.pcap 使用telnet模拟tcp连接 telnet 127.0.0.1 123 如果地址无法连接,则会一直重试SYN包,各个平台SYN重试间隔并不一致,如下: 异常站点抓包展示ÿ…...
在ArcGIS中,矢量数据有.shp,.mdb和.gdb,为啥建议使用gdb?
在ArcGIS中,矢量数据可以存储在多种格式中,如 .shp (Shapefile)、.mdb (Microsoft Access Database) 和 .gdb (Geodatabase)。每种格式都有其特定的用途和优缺点,但通常推荐使用 Geodatabase(.gdb)格式,原因如下: 1. 更高的数据容量和性能 容量: Shapefiles 和 MDB 文…...
C++STL---stack queue模拟实现
前言 对于这两个容器适配器的模拟实现非常简单,因为stack和queue只是对其他容器的接口进行了包装,在STL中,若我们不指明用哪种容器作为底层实现,栈和队列都默认是又deque作为底层实现的。 也就是说,stack和queue不管是…...
Spring Cloud系列——使用Sentinel进行微服务保护
文章目录 一、引言1. 雪崩问题的产生原因2. 解决雪崩问题的思路 二、微服务保护1. 服务保护方案1.1 请求限流1.2 线程隔离1.3 服务熔断 2. Sentinel2.1 安装2.2 微服务整合2.2.1 请求限流2.2.2 线程隔离①OpenFeign整合Sentinel②配置线程隔离 2.2.3 服务熔断①编写降级逻辑②配…...
Android开机动画,framework修改Bootanimation绘制文字。
文章目录 Android开机动画,framework修改Bootanimation动画绘制文字。opengl绘制源码分析 Android开机动画,framework修改Bootanimation动画绘制文字。 frameworks/base/cmds/bootanimation/bootanimation.cpp 绘制时间的一个方法 // We render 12 or …...
CANoe各版本软件包怎么找?从Demo到Full Installer的下载指南与版本选择建议
CANoe版本管理与资源获取全攻略:从Demo到Full Installer的深度实践指南 在汽车电子开发与测试领域,Vector公司的CANoe软件堪称行业标准工具。但许多工程师在实际工作中常遇到这样的困境:项目需要特定历史版本进行兼容性测试,而官网…...
面试题:文本表示方法详解——One-hot、Word2Vec、上下文表示、BERT词向量全解析(NLP基础高频考点)
1. 为什么面试官总爱问“文本表示方法”?1.1 这个问题的本质是什么任何 NLP 系统,不管是情感分析、文本分类、搜索推荐、智能客服,还是今天的大模型应用,本质上都绕不开一个前提:机器并不真正认识“文字”,…...
为OpenClaw智能体工作流配置Taotoken作为核心模型提供商
🚀 告别海外账号与网络限制!稳定直连全球优质大模型,限时半价接入中。 👉 点击领取海量免费额度 为OpenClaw智能体工作流配置Taotoken作为核心模型提供商 OpenClaw是一个流行的智能体开发框架,它允许开发者构建和编排…...
通过API Key管理与审计日志功能增强企业AI应用安全
🚀 告别海外账号与网络限制!稳定直连全球优质大模型,限时半价接入中。 👉 点击领取海量免费额度 通过API Key管理与审计日志功能增强企业AI应用安全 在将大模型能力集成到企业业务流程时,安全与合规是首要考量。直接使…...
工程师创意竞赛全流程策划:从社区激活到公平投票的实战指南
1. 项目概述:一场别开生面的工程师创意竞赛又到了二月底,这意味着我们年初启动的那个“独轮车”图片配文竞赛,终于要进入最激动人心的投票环节了。我记得很清楚,那是2012年2月初,编辑部觉得冬天太沉闷,想找…...
Cursor Pro破解工具终极指南:5步实现永久免费使用的完整教程
Cursor Pro破解工具终极指南:5步实现永久免费使用的完整教程 【免费下载链接】cursor-free-vip [Support 0.45](Multi Language 多语言)自动注册 Cursor Ai ,自动重置机器ID , 免费升级使用Pro 功能: Youve reached yo…...
从Nautilus案看专利权利要求撰写:如何避免模糊性陷阱
1. 专利权利要求“模糊性”的边界:从Nautilus案看撰写核心 在科技行业,尤其是半导体、硬件和软件开发领域,专利是保护创新、构筑商业壁垒的生命线。但你是否想过,你或你的公司赖以生存的那份专利文件,其核心——权利要…...
别让求解器‘装傻’:COMSOL中‘事件接口’的隐藏用法与常见坑点
别让求解器‘装傻’:COMSOL中‘事件接口’的隐藏用法与常见坑点 在瞬态耦合仿真中,你是否遇到过这样的场景:电磁场脉冲已经结束,但温度场仍在缓慢爬升;或者结构载荷突然释放,但求解器却将突变平滑处理&…...
别再傻傻分不清!用Python+Matplotlib手把手教你画出NBI和WBI的频谱与时频图
用PythonMatplotlib实战解析NBI与WBI的频谱与时频特性 在信号处理领域,窄带干扰(NBI)和宽带干扰(WBI)的区分对雷达系统、通信工程等应用至关重要。理论教材中复杂的数学公式常常让初学者望而生畏,而可视化呈现能瞬间让抽象概念变得直观可感。本文将带您用…...
为团队虚拟机开发环境统一配置Taotoken CLI工具
🚀 告别海外账号与网络限制!稳定直连全球优质大模型,限时半价接入中。 👉 点击领取海量免费额度 为团队虚拟机开发环境统一配置Taotoken CLI工具 在团队协作的软件开发项目中,虚拟机(VM)是常见…...
