黎曼度量~

测地线不变性推导:
Γ ( I , Σ − 1 2 ∗ W ) ( t ) = e t 2 Σ − 1 2 ∗ W e t 2 Σ − 1 2 ∗ W = e t 2 Σ − 1 2 U d i a g ( w i ) U T Σ − 1 2 e t 2 Σ − 1 2 U d i a g ( w i ) U T Σ − 1 2 = Σ − 1 2 U d i a g ( e t w i 2 ) U T Σ − 1 2 Σ − 1 2 U d i a g ( e t w i 2 ) U T Σ − 1 2 = Σ − 1 2 e t W 2 Σ − 1 e t W 2 Σ − 1 2 \begin{align*}\Gamma_{(I,\Sigma^{-\frac{1}{2}}*W)}(t) = &e^{\frac{t}{2}\Sigma^{-\frac{1}{2}}*W}e^{\frac{t}{2}\Sigma^{-\frac{1}{2}}*W} \\ =&e^{\frac{t}{2}\Sigma^{-\frac{1}{2}}Udiag(w_i)U^T\Sigma^{-\frac{1}{2}}}e^{\frac{t}{2}\Sigma^{-\frac{1}{2}}Udiag(w_i)U^T\Sigma^{-\frac{1}{2}}}\\ =&\Sigma^{-\frac{1}{2}}Udiag(e^{\frac{tw_i}{2}})U^T\Sigma^{-\frac{1}{2}}\Sigma^{-\frac{1}{2}}Udiag(e^{\frac{tw_i}{2}})U^T\Sigma^{-\frac{1}{2}}\\ =&\Sigma^{-\frac{1}{2}}e^{\frac{tW}{2}}\Sigma^{-1}e^{\frac{tW}{2}}\Sigma^{-\frac{1}{2}} \end{align*} Γ(I,Σ21W)(t)====e2tΣ21We2tΣ21We2tΣ21Udiag(wi)UTΣ21e2tΣ21Udiag(wi)UTΣ21Σ21Udiag(e2twi)UTΣ21Σ21Udiag(e2twi)UTΣ21Σ21e2tWΣ1e2tWΣ21
Γ ( I , Σ − 1 2 ∗ W ) ( t ) = e t Σ − 1 2 ∗ W = e t Σ − 1 2 U d i a g ( w i ) U T Σ − 1 2 = Σ − 1 2 U d i a g ( e t w i ) U T Σ − 1 2 = Σ − 1 2 U d i a g ( e t w i 2 ) d i a g ( e t w i 2 ) U T Σ − 1 2 = Σ − 1 2 U d i a g ( e t w i 2 ) U T U d i a g ( e t w i 2 ) U T Σ − 1 2 = Σ − 1 2 e t W 2 e t W 2 Σ − 1 2 \begin{align*}\Gamma_{(I,\Sigma^{-\frac{1}{2}}*W)}(t) = &e^{t\Sigma^{-\frac{1}{2}}*W}\\ =&e^{t\Sigma^{-\frac{1}{2}}Udiag(w_i)U^T\Sigma^{-\frac{1}{2}}} \\ =&\Sigma^{-\frac{1}{2}}Udiag(e^{tw_i})U^T\Sigma^{-\frac{1}{2}}\\ =&\Sigma^{-\frac{1}{2}}Udiag(e^{\frac{tw_i}{2}})diag(e^{\frac{tw_i}{2}})U^T\Sigma^{-\frac{1}{2}}\\ =&\Sigma^{-\frac{1}{2}}Udiag(e^{\frac{tw_i}{2}})U^TUdiag(e^{\frac{tw_i}{2}})U^T\Sigma^{-\frac{1}{2}}\\ =&\Sigma^{-\frac{1}{2}}e^{\frac{tW}{2}}e^{\frac{tW}{2}}\Sigma^{-\frac{1}{2}} \end{align*} Γ(I,Σ21W)(t)======etΣ21WetΣ21Udiag(wi)UTΣ21Σ21Udiag(etwi)UTΣ21Σ21Udiag(e2twi)diag(e2twi)UTΣ21Σ21Udiag(e2twi)UTUdiag(e2twi)UTΣ21Σ21e2tWe2tWΣ21
上面的推导有问题, Σ − 1 2 U d i a g ( w i ) U T Σ − 1 2 \Sigma^{-\frac{1}{2}}Udiag(w_i)U^T\Sigma^{-\frac{1}{2}} Σ21Udiag(wi)UTΣ21不属于对角化过程, ( Σ − 1 2 U ) − 1 = U T Σ 1 2 ≠ U T Σ − 1 2 {(\Sigma^{-\frac{1}{2}}U)}^{-1} = U^T\Sigma^{\frac{1}{2}}\neq U^T\Sigma^{-\frac{1}{2}} (Σ21U)1=UTΣ21=UTΣ21
Γ ( Σ , W ) = e ( t 2 W ) Σ e ( t 2 W ) Γ ( Σ , W ) = Σ 1 2 ∗ e t Σ − 1 2 ∗ W = Σ 1 2 e t Σ − 1 2 U d i a g ( w i ) U T Σ − 1 2 Σ 1 2 \begin{align*} \Gamma_{(\Sigma,W)} =&e^{(\frac{t}{2}W)}\Sigma e^{(\frac{t}{2}W)}\\ \Gamma_{(\Sigma,W)} = &\Sigma^{\frac{1}{2}}*e^{t\Sigma^{-\frac{1}{2}}*W}\\ =&\Sigma^{\frac{1}{2}}e^{t\Sigma^{-\frac{1}{2}}Udiag(w_i)U^T\Sigma^{-\frac{1}{2}}} \Sigma^{\frac{1}{2}} \end{align*} Γ(Σ,W)=Γ(Σ,W)==e(2tW)Σe(2tW)Σ21etΣ21WΣ21etΣ21Udiag(wi)UTΣ21Σ21

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
黎曼流体的卡尔曼滤波是一种用于估计黎曼流形上的状态变量的滤波方法。它是卡尔曼滤波在黎曼流形上的推广。黎曼流体是一种具有非欧几里德度量的流形,它在许多应用中都有重要的作用,例如图像处理、计算机视觉和机器学习等领域。 黎曼流体的卡尔曼滤波通过将传统的卡尔曼滤波算法扩展到黎曼流形上的切空间来实现。它利用流形上的切空间来表示状态变量的变化,并使用黎曼度量度量状态变量之间的距离。通过在切空间上进行线性化和更新,黎曼流体的卡尔曼滤波可以有效地估计状态变量的值。 以下是黎曼流体的卡尔曼滤波的一个示例: ```python import numpy as np from pymanopt import Problem from pymanopt.manifolds import Euclidean, Sphere from pymanopt.solvers import TrustRegions # 定义黎曼流体上的状态变量 n = 2 # 状态变量的维度 X = Sphere(n) # 定义观测矩阵 m = 1 # 观测变量的维度 H = np.eye(m, n) # 定义初始状态和协方差矩阵 x0 = X.rand() P0 = np.eye(n) # 定义过程噪声和观测噪声的协方差矩阵 Q = np.eye(n) R = np.eye(m) # 定义观测值 y = np.array([1]) # 定义卡尔曼滤波问题 def cost(x): return np.linalg.norm(H @ x - y)**2 problem = Problem(manifold=X, cost=cost) # 使用黎曼流体的卡尔曼滤波算法进行估计 solver = TrustRegions() x_hat = solver.solve(problem) print("Estimated state:", x_hat) ``` 这个示例演示了如何使用pymanopt库中的黎曼流体的卡尔曼滤波算法来估计黎曼流体上的状态变量。在这个示例中,我们定义了状态变量的维度、观测矩阵、初始状态和协方差矩阵,以及过程噪声和观测噪声的协方差矩阵。然后,我们定义了一个卡尔曼滤波问题,并使用TrustRegions求解器来求解该问题。最后,我们打印出估计的状态变量值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值