瑞利熵
瑞利熵
此处的 x x 是一个向量,矩阵是一个Hermitian矩阵,即该矩阵共轭对称, Mij=M∗ji M i j = M j i ∗ ,如果 M M 是一个实矩阵,则有。
瑞利熵的特点是:最大值和最小值分别等于矩阵 M M 最大和最小的特征值。
可以用拉格朗日乘子法证明:
从上面的证明可以看出:
- R(M,x)=λ R ( M , x ) = λ ,瑞利熵的值就是M的特征值,最值一致
- x x 的解正是所对应的关于 M M 的特征向量
广义瑞利熵
令 y=N−1/2x y = N − 1 / 2 x
根据瑞利熵的性质, R(M,N,y) R ( M , N , y ) 实际上是矩阵 N−1/2MN−1/2 N − 1 / 2 M N − 1 / 2 的特征值
拉普拉斯矩阵
定义
上面这个图 G=<V,E> G =< V , E > 可以定义两个矩阵:度矩阵 D D (Degree)和邻接矩阵(Adjacent)
拉普拉斯矩阵的定义是: L=D−A L = D − A
性质
令函数 f(vi) f ( v i ) 表示结点 vi v i 的函数
这是一个欧氏距离加权求和的形式,特殊的让
Aij=1
A
i
j
=
1
,则它就是所有点两两之间的距离之和。所以拉普拉斯矩阵是关于图中的点的一种基于欧氏距离的测度。
另外,显然拉普拉斯矩阵是半正定的,所有特征值都非负。所谓半正定矩阵,即对任意非零向量
x
x
都有,看上面的式子显然成立。
那么拉普拉斯矩阵与瑞利熵有什么关系呢?简而言之,上面这个式子的计算,不需要遍历所有点之间的配对,根据瑞利熵的性质,可以简化为求拉普拉斯矩阵关于特征向量
f
f
<script type="math/tex" id="MathJax-Element-68">f</script> 的特征值,所以是一个特征值分解的过程,而矩阵分解又可以使用梯度下降实现,进一步简化。
参考文献
【Wiki】半正定矩阵
【博客】线性判别分析LDA原理总结
【博客】拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient)
【Wiki】Rayleigh quotient