凸优化
文章平均质量分 86
sjtuSecondSilly
胶带第二傻
展开
-
多变量函数的求导与求梯度/矩阵求导
注1: 梯度是针对实值函数的, 且其定义是基于Jacobian的, 也就是说现有导数才有梯度. 梯度的定义可以拓展到。这是很显然的结果, 只需要略加思索即可知道这是正确答案.指n阶实对称矩阵, 此处不再赘述.与之相对应, 对于一般的实值函数。这和单变量函数的情形是一致的., 则根据链式法则, 有。易知梯度为一个列向量.易知对于一般的实值函数。是一个行向量, 定义。原创 2024-04-23 21:53:30 · 799 阅读 · 0 评论 -
KDE窗宽选择中的最小二乘交错间定法
最小二乘交错鉴定法(Least-squares cross-validation,LSCV)是是基于这样的思想, 即选取的窗宽参数值能够最小化估计函数的积分平方误差. 以下先考虑单变量的情形.窗宽参数的选择方法, 一般有经验法, 插入法, 交错鉴定法等方法. 以下介绍最小二乘交错鉴定法, 并将其作为本文的窗宽选择方法.的双重卷积核. 例如, 对于标准正态核$ k(v) = \frac{1}{\sqrt{2\pi}}e。2}$, 也就是一个均值为0, 方差为2的正态概率密度函数.因此, 我们可以将式。原创 2023-06-23 19:10:34 · 812 阅读 · 0 评论 -
凸优化专题1
凸优化专题原创 2023-02-28 16:50:10 · 461 阅读 · 0 评论