本文总结向量空间的一些内容,由于向量空间的知识(子空间、矩阵的行列空间、空间的基、线性无关、空间维数、秩)在上一篇文章中已有很多介绍,因此本文着重回顾马尔科夫矩阵和傅里叶级数
马尔科夫(Markov)矩阵:
def:一个具有非负分量(元素)且各分量(元素)数值相加等于1的向量称为概率向量;马尔科夫矩阵又称随机矩阵,是各列向量均为概率向量的方阵
马尔科夫链:由一组概率向量序列
x0,x1,x2...
x
0
,
x
1
,
x
2
.
.
.
和一个随机矩阵P组成,且满足:
x1=Px0,x2=Px1,x3=Px2,...
x
1
=
P
x
0
,
x
2
=
P
x
1
,
x
3
=
P
x
2
,
.
.
.
可表示为如下一阶差分方程:
xk+1=Pxk,k=0,1,2,...
x
k
+
1
=
P
x
k
,
k
=
0
,
1
,
2
,
.
.
.
上述 xn x n 常称为状态向量,它们表明概率向量序列中的各元素之间在空间或时间上存在关系,即马尔科夫过程:某个随机变量的状态仅取决于上一个变量的状态
马尔科夫矩阵有如下性质:
1.马尔科夫矩阵的幂仍然是马尔科夫矩阵
2.马尔科夫矩阵必有一个特征值为1,且其他所有特征值的绝对值小于1
上述两个性质直接产生了如下两个结论:
1.对于一个马尔科夫矩阵P,一定存在一个概率向量q,满足
Pq=q
P
q
=
q
,这个概率向量q被称作稳态向量(或平衡向量),显然,它就是矩阵P值为1的特征值对应的特征向量
2.考虑前面提到的马尔科夫链
xk+1=Pxk,k=0,1,2,...
x
k
+
1
=
P
x
k
,
k
=
0
,
1
,
2
,
.
.
.
,若
x0
x
0
是任意一个起始状态,当k趋近于无穷时,{
xk
x
k
}收敛于稳态向量q,这说明了初始状态对于马尔科夫链的长期行为没有影响。
显然,结论2的证明:把矩阵P做对角化(特征值分解)后,由于除了1之外其余特征值均小于1,很多幂次后趋于0,对角阵中仅剩下1起作用,乘积得到的也就是结论1中介绍的稳态向量q
傅里叶级数:
根据线性代数中子空间和基向量的理论,空间中任意向量可由该空间中的一组正交基唯一的线性组合得到。把傅里叶级数中的函数看做无穷维空间中的向量,频率从0到无穷大的正弦和余弦函数两两正交,一起构成了无穷维(函数)空间的一组正交基(函数正交,即定义域内(一个周期)两函数内积(积分)为0),傅里叶系数则是各个基函数(基向量)的权重。若要求某个系数,对表达式两边同时乘以这个基向量即可(与其余基向量乘积均为0,最后仅剩下要计算的这一项系数)