首页 > 其他分享 >高维球冠的表面积估算

高维球冠的表面积估算

时间:2024-04-28 20:35:12浏览次数:6  
标签:表面积 frac int 球冠 theta alpha sin 高维

问题定义

考虑一个d维的单位球 \(S^{d-1}\) ,这个单位球的的面积是 \(S_d\), 体积是 \(V_d\)

\(\mathcal{C}_{{x}, \alpha} = \{{u} \in S^{d-1}: \left<u, x\right> \geq \alpha\}\) 是一个中心点在 \({x} \in S^{d-1}\) 且高度为 \(\alpha\) 的球冠,并令 \(C(\alpha)\) 表示它的表面积(d-1维)在整个球表面积 \(S_d\) 中的占比。

我们的目标就是估算在高维情况下(\(d\gg1\))的 \(C(\alpha)\) 的量级

高维球的表面积和体积

详见参考资料,我觉得自己暂时无法提出一个更优的解法

高维球冠的表面积估算

球冠面积占比 \(C(\alpha)\) 在 \(\alpha \in (0,1)\) 情况下可以表示为:

\[\begin{align*} C(\alpha) &= \frac{\int_0^{\arccos{\alpha}}S_{d-1}\sin^{d-2}(\theta)\theta}{S_d}\\ &= \frac{\frac{(d-1)\pi^{\frac{d-1}{2}}}{(\frac {d-1} 2)!}\int_0^{\arccos{\alpha}}\sin^{d-2}(\theta)\theta}{\frac{d\pi^{\frac{d}{2}}}{(\frac {d} 2)!}}\\ &= \frac{(d-1)(\frac {d} 2)!\int_0^{\arccos{\alpha}}\sin^{d-2}(\theta)\theta} {\sqrt{\pi}d(\frac {d-1} 2)!}\\ &= \frac{(\frac {d-2} 2)!\int_0^{\arccos{\alpha}}\sin^{d-2}(\theta)\theta} {\sqrt{\pi}(\frac {d-3} 2)!}\\ \end{align*} \]

已知 \(\int \sin ^{n} x d x=-\frac{1}{n} \sin ^{n-1} x \cos x+\frac{n-1}{n} \int \sin ^{n-2} x d x\) ,同时引入Gamma函数 \(\Gamma(z)=\int_0^\infty t^{z-1}e^{-t}dt\,\,\,,\,Re(z)>0\),有

\[\begin{align*} C(\alpha) &=\frac{\Gamma(\frac{d}2)} {\sqrt{\pi}\Gamma(\frac{d-1}2)} \int_0^{\arccos{\alpha}}\sin^{d-2}(\theta)\theta\\ &\stackrel{(a)}= d^{\Theta(1)}\int_0^{\arccos{\alpha}}\sin^{d-2}(\theta)\theta\\ &\stackrel{(b)}= d^{\Theta(1)} \cdot (1 - \alpha^2)^{d/2} \end{align*} \]

a处的 \(d^{\Theta(1)}\) 在 \(d\gg1\) 时的量级比较接近于 \(\sqrt{d}\),b处可以用类似Simpson公式得到一个简单的估算

参考资料

直接使用坐标积分和gamma函数算高维球的表面积和体积的方式

使用多重积分来算

用测度来算高维球的表面积和体积的方法

标签:表面积,frac,int,球冠,theta,alpha,sin,高维
From: https://www.cnblogs.com/manuscript-of-nomad/p/18164427

相关文章

  • 高维前缀和
    byTheBigYellowDuck相关链接:[[状态压缩]]前置知识高维前缀和是一类解决子集问题的方法。考虑二维前缀和\[S(i,j)=S(i-1,j)+S(i,j-1)-S(i-1,j-1)-a_{i,j}\]但是这么容斥,在维数很高的时候会很复杂。我们考虑另一种求法:for(inti=1;i<=n;i++)  for(intj=1;......
  • SDC可伸缩的高维约束基准和算法
    可伸缩的高维约束基准和算法​ 在过去二十年里,进化约束多目标优化受到了广泛的关注和研究,并且已经提出了一些基准测试约束多目标进化算法(CMOEAs)。特别地,约束函数与目标函数值有紧密的联系,这使得约束特征太单调并且与真实世界的问题不同。因此,之前的CMOEAs不能特别好的解决现实......
  • 高维前缀和/SOS DP 学习笔记
    JOISC2023D2T2Council注意到,钦定一个人为主席后,对于此时得票数大于\(\lfloor\frac{n}{2}\rfloor\)的议案,不管怎么选副主席,均能通过;对于此时得票数小于\(\lfloor\frac{n}{2}\rfloor\)的议案,不管怎么选副主席,均不能通过。所以需要考虑的只有此时得票数恰好等于\(\lfloo......
  • 浅记高维前缀和
    考虑如下问题:记\(y\subsetx\leftrightarrowx\&y=y\)。若\(x\subsety\),称\(x\)为\(y\)的一个子集,\(y\)为\(x\)的一个超集。给定数组\(f\),求数组\(g\)。其中\(g_x=\sum_{y\subsetx}{f_y}\)。设\(f\)中最大的数二进制下共有\(n\)位。如果直接枚举子集的话,时......
  • 高维前缀和(SOS DP)
    引入方法在讨论高维前缀和前,不妨先回顾以下二维前缀和,一种写法是:for(inti=1;i<=w;i++) for(intj=1;j<=w;j++)sum[i][j]+=sum[i][j-1]for(inti=1;i<=w;i++) for(intj=1;j<=w;j++)sum[i][j]+=sum[i-1][j]推广......
  • 传统套路只能处理低维问题,机器学习数学理论的关键是高维函数
    与传统方法相比,机器学习解决的最基本的问题就是函数的表达和逼近。数学上有分片多项式、傅利叶级数、小波……这都是传统的表达函数的套路。但传统套路只能处理低维问题,难以处理高维问题。而机器学习,尤其是深度学习,解决的许多问题都是非常高维的,所以机器学习数学理论的关键是高维......
  • 高维前缀和(SOS DP)
    高维前缀和(SOSDP)通常求二维前缀和,用容斥来求但其实,完全可以先做一遍行的前缀和,再做一遍列的前缀和拓展到\(k\)维也是如此,可以在\(O(nk)\)的复杂度求前缀和但怎么和DP扯上关系?可以把第\(i\)维当作阶段,每一维的具体信息是状态先枚举阶段,表示当前固定其它维,只统计这一......
  • TSNE vs PCA:比较高维数据降维的两大巨头
    1.背景介绍随着数据量的增加,高维数据的处理和可视化变得越来越困难。高维数据降维技术成为了处理和可视化高维数据的重要方法。PCA(PrincipalComponentAnalysis)和t-SNE(t-distributedStochasticNeighborEmbedding)是两种非常常用的高维数据降维方法,本文将对这两种方法进行比较和......
  • 利用强化学习算法解释人类脑对高维状态的抽象表示:how humans can map high-dimensiona
    论文:《Usingdeepreinforcementlearningtorevealhowthebrainencodesabstractstate-spacerepresentationsinhigh-dimensionalenvironments》地址:https://www.cell.com/neuron/fulltext/S0896-6273(20)30899-0正文:https://www.cell.com/neuron/pdf/S0896-6273(20......
  • 高维数据惩罚回归方法:主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数
    全文链接:http://tecdat.cn/?p=23378最近我们被客户要求撰写关于高维数据惩罚回归方法的研究报告,包括一些图形和统计输出。在本文中,我们将使用基因表达数据。这个数据集包含120个样本的200个基因的基因表达数据。这些数据来源于哺乳动物眼组织样本的微阵列实验1介绍在本文中,我......