Главная » Просмотр файлов » Айвазян С.А., Бухшгабер В.М., Енюков И.С., Мешалкин Л.Д. - Прикладная статистика

Айвазян С.А., Бухшгабер В.М., Енюков И.С., Мешалкин Л.Д. - Прикладная статистика (1027378), страница 103

Файл №1027378 Айвазян С.А., Бухшгабер В.М., Енюков И.С., Мешалкин Л.Д. - Прикладная статистика (Айвазян С.А., Бухшгабер В.М., Енюков И.С., Мешалкин Л.Д. - Прикладная статистика) 103 страницаАйвазян С.А., Бухшгабер В.М., Енюков И.С., Мешалкин Л.Д. - Прикладная статистика (1027378) страница 1032017-12-21СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 103)

Отождествляя, как обычно, пространство всех (р х д)-матриц А — — (а„, ! < 1 < р, 1 ( ! ~ о) с евклидовым пространством Я"», получаем, что М1.(р, о) является открытой областью в )с»», выделяемой условием де! !АА'!~ О, а МО (р, ч)— замкнутым подмногообразием в Р», выделяемым условием АА' = 1», т. е. у (о + 1)/2 уравнениями, связывающими ро координат (а,»). Например, МО (р, 1) =-(О Е Г»», !!О!( = 1) (одно уравнение связи на р координат); МО (р, 2) =-((0„0,) Р й»ХЯ»= К", (0,(=1, 10,1= =1, 0;0,=0)) (три уравнения связи на 2 р координат). Размерность многообразия МО (р, д) на 2 мень»(»+ !! ше, чем размерность объемлющего пространства К»».

Таким образом, применение обычных численных процедур для решения оптимизационных задач на многообразиях Мй (р, о) и МО (р, о) как подмножествах евклидова пространства К»» практически невозможно. Отметим, что попытка построить метод градиентного спуска на МО (р, о) была предпринята в! !21, 3 0.101.

Трудности, которые встретились на этом пути, типичны для реализации процедур условной оптимизации при большом числе уравнений связи на координаты. В !37 — 39) разработаны численные методы оптимизации функций на многообразии 6 (р, о). Оказалось, что если использовать внутреннюю геометрию этого многообразия, то эти методы реализуются при помощи аналогов основных алгоритмов безусловной оптимизации, 20.3.2.

Алгоритмы оптимизации функций иа многообразиях проекций. Пусть Ф (Е) — некоторая функция на многообразии 6 (р, д). Опишем сначала алгоритм решения задачи (20.31), реализующий аналог методов покоординатной оптимизации. Фиксируем в КР некоторый ортонормнрованный базис й» = (0,», ..., Ор») и обозначим через 1.» = 1. (Й) подпространство, натянутое на первые д векторов (О,, ..., ..., О»). Возьмем 1.» за начальную точку алгоритма оптимизации. Допустим, что уже построены 1.„..., 1., причем каждое 1. представляет собой д-мерное подпространство в Р', натянутое на первые д векторов ортонормированного базиса 11 = (О,, ..., 0„), т.

е. 1. = 1. (11 ). Опишем переход от (8, 1. ) к (8 .„, 1. +,). Выберем У, 1 < У ( д и у, 1 < у ~ р — д, введем семейство базисов »»' (У, у, а) = (011», (У, у), ..., Ор (к у)), где 9; (уу)=созаО» +з1паО~+;,„, О,+у (й у)= = — жп аО„„+ соз а0,„1,„, (20.32) О~ (1, у) ==-0~, если У ~ У или У+у, и получим семейство д-мерных плоскостей 1. (У, у; а), где 1, (У, у, а) натянуто на (О, (н у), ..., 0„(й у)). О п р е дел е н и е 20.3. Семейство д-мерных плоскостей 1. (0 у; а) ~ Р» называется (У, у)-координатной линией в 6 (д, р), проходящей через точку 1. = 1. (У, у; О) в локальной системе координат, задаваемой базисом й„.

Обоснование такого определения см. в (37), где описаны все необходимые факты о структуре многообразия 6 (р, д). Ограничив функцию Ф (1.) на семейство плоскостей Е (У, у; а) получаем обычную числовую функцию от а, а Е (О, 2 п). Положим Ф (1. (~', у; а)) = Фо (а). Используя одну из стандартных процедур оптимизации числовой функции Ф„(а), находим а,= агй гпах Фц(а) »еу».1»! и полагаем 8 +,— — В(У, у; а), 1. +,— — 1. (У, у'; а). Цикл процедуры оптимизации завершен. Используя описанный шаг алгоритма, можно реализовать методы покоординатной оптимизации.

Например, упорядочив множество пар (му),! < у < д, 1 < у ~ р — уи зациклив его, можно получить сколь угодно длинную последовательность пар (у, у) и соответствующую последовательность точек (.„Е„..., 1., 1 е„... Заметим, что по построению, Ф (1 ) < Ф М < ." < Ф (1. ) < Ф (1 +ч) < " 18» о Рц= — Фц(а)(о=о ои (20.33) где Фц(а)=Ф($.о(й $; а)). Градиент Р= (1 ц) удобно представлять в виде д х (р — д)- матрицы с вектор-столбцами у; = (у„), 1< $ < д. П р и м е р 20.4.

Пусть Х Е Гсо и Хь — его ортогональная проекция на некоторое д-мерное линейное подпространство $. с: К~. Рассмотрим на многообразии б (р, д) функцию Ф (1.) = $(ХьЦо и вычислим ее градиент в точке 1.о = = 1. (~о). Из (20.31) следует Ф ($. (й /; а)) = ~~', (91о Х)'+ (соз ай(о Х + з(п аО;ч-по Х)', 1=1 г~г (20.34) поэтому непосредственно из (20.33) получаем: Гц=2(9''оХ)(Ог'+гХ)=*29,"о(ХХ')9;,.я 1ч'$<д, 1<1< (20.35) Пусть А ($.о) — проекция из Гсо в $(о, задаваемая (рх д)- матрицей, строки которой 9;,, ..., 9'„и А ($.о~)— проекция из (со в Гсо-о, задаваемая (р х (р — 4)-матрицей со строками Оо'.ь, „, ..., 9' р,о Тогда из (20.35) следует, что градиент функции $(Хь((' в точке 1.„относительно базиса $$о можно записать в виде д Х (р — с))-матрицы Г = 1в, = 2А (1.о) ХХ' А ($.ог)'.

(20.36) Если функция Ф ($.) непрерывно зависит от $., то, используя компактность многообразия б (р, д), получаем, что Ф ($.) — ограниченная сверху функция и последовательность (Ф ($. )) сходится. Рассмотрим теперь дифференцируемую функцию Ф ($,) на б (р, 4. Опишем алгоритмы, реализующие методы градиентной оптимизации. Пусть, как и выше, 1.„= $. ($$о) с: )со, где йо = (Оиь ..., 9„„) — ортогональный базис в Йо и $.о (г', $; а) — (с, /) -я координатная линия в б (р, л), проходящая через $.о. О п р е дел е н н е 20.4. Градиентом функции Ф ($.) в точке $. относительно локальной системы координат, задаваемой базисом йо, называется д (р — е)-мерный вектор Г= (Гц, 1~ 1= д, 1((~р — о), вычисляемый по формуле При помощи функции |~Х»|(' легко показать, как зависит вид градиента Г = Г0 от выбора базиса й.

Пусть В» = (О,», ..., 9„„), и = 1, 2 — ортонормированные базисы в Яр. Заметим, что 1, (й!) = Е (8!) = Е„тогда и только тогда, когда существуютортогональная(!7:! 7)-матрица В, переводящая базис (вго ..., Оч!) в подпространстве 1., с: Я» в его базис (О,,, 9,), и ортогональная (р — су) х (р — !))-матрица В1, переводящая базис (9 ч„л..., 0»л ) в ортогональном дополнении Е,~- к 1., ~ Р' в его базис (9 .„, „ 0„,), Следовательно, если Е (В!) = Е (8») = Е„то Гв,=В'Гв,В . П р и м е р 20.5. Пусть Х!"! = (Х,, . „Х„) — выборка в )гр. Вычислим градиент функции Ф (Е) на многообразии Грассмана, соответствующей проекционному индексу Р (А) !» для статистики !р (у„..., у„) = — „у ~~у"! — )',~~*, где );— в=! средний вектор выборки У!"!.

Имеем Ф (1.) = — ~' 1(Х! — Х„)» Г.' 1 а,май !=! Используя формулу (20.33), получаем в точке Е„= Е (8„): л — ~~ 2А (1») (Х! — Х») (Х! — Х») ' А (Ц-)' = !=! = 2А ().а) Хх А (Е»!) ', А(1.»)?'х А(Ц)' =О нли в терминах базиса й»! В'Х 0! =О (2О.37) для всех 1 ~ ! < !7, 1:-1:~ р — д. Рассматривая (р Х р)-матрицу Хх как преобразование пространства й», получаем, что условие (20.37) выполняется тогда н только тогда, когда Хх переводит подпространство где ьх — ковариационная матрица выборки Х!"!.

Таким образом, условие экстремальности подпространства Е» за-, писывается в виде 1 в себя, т. е. когда 1.,— собственное подпространство ковариационной матрицы'. Как показано выше, ортогональная проекция А (1.») из )сл в )х!» является выразительной относительно г" (А) тогда и только тогда, когда 1.„ = Е (А) является экстремальной точкой функции Ф (1.). Таким образом, для проекционного индекса г'(А), пои строенного по статистике — ,'~ !!у! — у»)!з на !)-мерных выл борках, выразительными являются ортогональные проекции иа собственные (! -мерные подпространства ковариацнонной матрицы Хх и только они. Для д = ! этот результат лежит в основе метода главных компонент (см. гл. 13).

Нетрудно показать, что подмножество 1.» является собственным для матрицы Хх тогда и только тогда, когда оно натянуто на какие-либо д главных компонент этой матрицы. Если выборка Х разбита на А классов (подвыборок) Хз= Х (и!)=(Х,з, ..., Х,, !); 1=1, ..., й, то определены: %х = ~ и!Хх, — матрица внутриклассового рассеивания; з= ! Вх = Х я! (Х»! — Х»)(Х»! — Х»)' — матрица межклассоз=! ного рассеивания. Отметим, что %х + Вх = Хх. Соответственно определены: внутриклассовый разброс: З,х —— = Зр %х, межклассовый разброс: Змх = ЗРВх, Бах + + Зад=ах. П р и м е р 20.6.

Пусть Х = () Х!. Рассмотрим проек!=! ционный индекс г" (А) для статистики зр вг '!.) 7! где А — проекция из 1»л в 1»» и У! = АХ!. Ясно, что г" (А) является для всех д > 1 О-инвариантным, а для д = ! даже 6!.-инвариантным, но Р (А) не является И.-инвариантным, если д) 1. Следовательно, г" (А) можно использовать для поиска выразительных одномерных проекций и выразительных д-мерных ортогональных проекций из )тя в )»». В каждом из случаев возникает оптимизационная задача ' В терминах базиса тз» (р Х л)-матрнца А (!.!) называется собственная для матрицы лх, если существует (» Х »)-матряца С, такая, что А (Ь») Хх — — С А (1.») Прн» = 1втосоответствуетобычномуопределенню собственного вектора. ка многообразии Грассмана для функции, которая в точке 1.

= 3. (9), где 8 =- (О„..., 0») — ортонормироваиный базис, вычисляется по формуле Ф(Е) = Ф«х (Ь) ьР Ат«х А Фх(«.) ЗР АахА' (20.38) где А = А (Е) — матрица проекции, составленная из «) векторов строк 0„..., 0 „, Имеем: Фх(ь) Кг"«)ф х(") «Р хяг"«)«Рх(") ага«) Ф($.)— Фх(!) С л е д с т в и е 20.4. Для проекционного индекса Р (А), соответствующего отношению усредненного внутриклассового разброса к общему разбросу, наиболее выразительные ортогональные проекции задаются матрицами, составленными из собственных векторов симметрической матрицы %х — ТХх, где у = г" (А). Описанная выше итерационная процедура оптимизации на многообразии Грассмана 6 (р, д), примененная к функции Ф(А) = ЗР (А%х А') ЗР (Аах А ) позволяет отыскать такие выразительные проекции.

Характеристики

Список файлов книги

Свежие статьи
Популярно сейчас
Как Вы думаете, сколько людей до Вас делали точно такое же задание? 99% студентов выполняют точно такие же задания, как и их предшественники год назад. Найдите нужный учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6417
Авторов
на СтудИзбе
307
Средний доход
с одного платного файла
Обучение Подробнее