P8 保凸运算2

保凸运算

透视函数 Perspative Function

$P:R^{n+1}\mapsto R^{n}domP=R^n\ast R_{++}$

$P(z,t)=\frac{z}{t}z\in R^{n}t\in R_{++}$

降维过程，将前所有元素，除以最后一维，并去掉最后一维。

任何一个函数，通过透视函数之后，还是凸集。

例：考虑 $R^{n+1}$ 线段。$x=(\tilde{x},x_{n+1})\tilde{x}\in R^n{x}_{n+1}\in R_{++}$; $y=(\tilde{y},y_{n+1})\tilde{y}\in R^n{y}_{n+1}\in R_{++}$

$\theta \ge 0$ 线段维 $\theta x+(1-\theta )y$

证明：线段经过透视函数P后，仍然时凸集。

$x{\to }^{P}P(x)$ \quad $y{\to }^{P}P(y)$
$\theta x+(1-\theta )y{\to }^{P}P(\theta x+(1-\theta )y)$

设$\mu =\frac{\theta x_{n+1}}{\theta x_{n+1}+(1-\theta )y_{n+1}}$
$$\begin{array}{rl}P(\theta x+(1-\theta )y)& =\frac{\theta \tilde{x}+(1-\theta )\tilde{y}}{\theta x_{n+1}+(1-\theta )y_{n+1}}\\ & =\frac{\theta x_{n+1}}{\theta x_{n+1}+(1-\theta )y_{n+1}}\frac{\tilde{x}}{x_{n+1}}+\frac{(1-\theta )y_{n+1}}{\theta x_{n+1}+(1-\theta )y_{n+1}}\frac{\tilde{y}}{y_{n+1}}\\ & =\mu P(x)+(1-\mu )P(y)\end{array}$$

任意凸集的反透视映射仍是凸集。

P − 1 ( C ) = { ( x , t ) ∈ R n + 1 ∣ x t ∈ c , t > 0 } P^{-1}(C)=\lbrace (x,t) \in R^{n+1} | \frac{x}{t} \in c, t > 0 \rbrace P−1(C)={(x,t)∈Rn+1∣tx​∈c,t>0}

考虑$(x,t)\in P^{-1}(C)(y,s)\in P^{-1}(C)0\le \theta \le 1$

$$\frac{\theta x+(1-\theta )y}{\theta t+(1-\theta )s}{\in }^{?}C$$

$$\begin{array}{r}\frac{\theta t}{\theta t+(1-\theta )s}\frac{x}{t}+(1-\frac{\theta t}{\theta t+(1-\theta )s})\frac{y}{s}\end{array}$$
$\frac{x}{t}$ 与 $\frac{y}{s}$ 都是C中的一点，C是凸集。所以结论成立。

线性分数函数

$g:R^n\mapsto R^{m+1}$ 为伪仿射函数
$g(x)=\left[\begin{array}{c}A\\ C^T\end{array}\right]x+\left[\begin{array}{c}b\\ d\end{array}\right]A\in R^{m+n}b\in R^{m}C\in R^{n}d\in R$

$P:R^{m+1}\mapsto R^m$
定义：
$f:R^n\mapsto R^m=P\circ g$ 先经过$g$,在经过$P$。
本质是仿射变换+透视变换。

f ( x ) = A x + b C T + d d o m    f { x ∣ C T x + d > 0 } f(x) = \frac{Ax+b}{C^T+d} \quad dom \;f \lbrace x | C^Tx + d > 0 \rbrace f(x)=CT+dAx+b​domf{x∣CTx+d>0}

例:两个随机变量的联合概率 $\to$ 条件概率

u ∈ { 1.. n } , v ∈ { 1... m } u \in \lbrace {1..n} \rbrace,v \in \lbrace {1...m} \rbrace u∈{1..n},v∈{1...m}

$P_{ij}=P(u=i,v=j)$
$f_{ij}=P(u=i|v=j)$

$f_{ij}=\frac{P_{ij}}{{\sum }_{k=1}^n{P}_{kj}}$