首页 > 其他分享 >随机矩阵

随机矩阵

时间:2024-06-20 14:55:37浏览次数:26  
标签:11 12 frac 22 矩阵 随机 ds

简介

随机矩阵理论(Random Matrix Theory,RMT)利用统计力学的原理来模拟多个数学领域中复杂系统的交互作用。

应用领域

  • 电子云密度,密度泛函
  • 混沌理论
  • 黎曼猜想
  • 神经科学
  • 最优控制
  • 数论
  • 谐振子:弹簧振子,小幅钟摆,

随机矩阵:元素来自于概率分布采样的对称或共轭对称矩阵
实随机矩阵,对称矩阵
复随机矩阵,共轭对称矩阵(厄米矩阵)

\(N(0,1)\)分布的随机矩阵,矩阵元素来自\(N(0,1)\)分布

  • 随机矩阵是任意具有随机元素的矩阵,其元素为非负实数,且行和或列和为1,显然元素来自\(N(0,1)\)分布
  • 如果行和为1,则称为行随机矩阵
  • 如果列和为1,则称为列随机矩阵
  • 如果行和和列和都为1,则称为双随机矩阵

对实矩阵进行旋转操作,施加的正交矩阵(每行和每列的模长为1,其转置=逆)

对复矩阵进行旋转操作,施加的酉矩阵(每行和每列的模长为1,其共轭转置=逆,正交矩阵都是酉矩阵)

指数分布的随机矩阵

高斯分布的随机矩阵

谱函数

矩阵\(M\)的谱:矩阵的特征值\(\lambda _i\)的集合\(\{\lambda _i \}\)
矩阵\(M\)的行列式:\(det(M)=\Pi \lambda _i\)
矩阵\(M\)的迹:\(Tr(M)=\sum \lambda _i\)
矩阵幂\(M^n\)的迹:\(Tr(M^n)=\sum \lambda _i^n\)
矩阵\(M\)的谱函数:\(f(\{\lambda _i \})\)

配分函数 Partition function:在具有实标量场和作用的一维场论中,配分函数在路径积分形式中被定义为泛函;概率分布的归一化因子。

\(Z \equiv \int dM P(M)=\int dM·e^{-\frac {N}{2}{Tr(MM^*)}}\),其中\(dM=dM_{11}dM_{12}……dM_{NN}\)

矩阵的概率分布\(P(M)\)满足:

  • 概率分布的乘积
  • 权重和度量满足酉不变性

\(P(M)\propto \Pi_{i\le j}^{N} p_{ij}(M_{ij})\)

\(P(M)=P(UMU^*)\)

概率分布函数\(P(M)\)取高斯分布,波特和罗森斯坦证明高斯模型是唯一满足上述两个要求的集合

\(\begin{multline} Z \equiv \int dx dyP(x,y)=\int dxdy·e^{-\frac {x^2+y^2}{2}} \end{multline}\)

\(P(x,y)=e^{-\frac {x^2}{2}}e^{-\frac {y^2}{2}}=P(x)P(y)\)

\(\begin{multline} Z \equiv \int dM P(M)=\int dM·e^{-\frac {1}{2} \sum _i {M_{ii}^2} +\sum _{i<j}(M_{ij}^R)^2 + \sum _{i<j}(M_{ij}^I)^2 } \end{multline}\)

两类概率分布

目标:找出不相关事件或特征值之间的间距分布

实际:研究间距的累积分布函数

定义\(q(s)=P(t>s)\)表示间距\(t\)大于\(s\)的概率,可以看作是给定特征值的任意两个之间距离为\(s\)的情况下,没有特征值的概率

\(q(s+ds)=q(ds|s)\):区间\(s\)加上\(ds\)内没有特征值的概率=在没有特征值的情况下,在区间\(ds\)内没有特征值的概率

事件不相关

由于事件不相关,\(q(s+ds)=q(s)q(ds)\approx q(s)(1-c·ds)\),\(c\)为单位区间内存在特征值的概率\(q(s)=P(t>s)=1-\int _{0} ^s P(t)dt\)

移向,\(\frac {q(s+ds)-q(s)}{ds}\equiv \frac {dq(s)}{ds}=-cq(s)\),已知\(q(0)=P(t>0)=1\)

微分方程通解:\(q(s)=e^{-cs}\),于是,\(P(s)=-\frac {dq(s)}{ds}=ce^{-cs}\)

对于不相关的事件或特征值,间距的分布是指数分布,即泊松分布,意味着特征值之间更加倾向于靠近

事件相关

由于事件不相关,\(q(s+ds)=q(s)q_s(ds)\approx q(s)(1-c·s·ds)\),\(c\)为单位区间内存在特征值的概率\(q(s)=P(t>s)=\int _{0} ^s P(t)dt\)

移向,\(\frac {q(s+ds)-q(s)}{ds}\equiv \frac {dq(s)}{ds}=-c·s·q(s)\),已知\(q(0)=P(t>0)=0\)

微分方程通解:\(q(s)=-ce^{-cs^2/2}\),于是,\(P(s)=-\frac {dq(s)}{ds}\propto se^{-cs^2/2}\)

即高斯分布,意味着特征值之间更加倾向于远离(互相排斥),高斯随机矩阵是唯一一个具有独立同分布的元素且具有单位性和旋转不变性的随机矩阵

2*2 RMT

\(M=\begin{pmatrix} m_{11} & m_{12} \\ m_{21} & m_{22}\end{pmatrix}\)

\(m_{ij}\)为简单谐振子势能或高斯分布中采样得到,\(2*2\)矩阵只有两个特征值,故只有一个间距\(s\)

令\(M\)为对称矩阵,\(m_{12}=m_{21}\)

\(\lambda _{\pm }=\frac{m_{11}+m_{22} {\pm } \sqrt{(m_{11}-m_{22})^2+4m_{12}^2}}{2}\)

\(s\equiv \lambda _+ -\lambda _ -=\sqrt{(m_{11}-m_{22})^2+4m_{12}^2}\)

定义某点\(S\)为有序对\((m_{11}-m_{22},2m_{12})\),\(s\)即为该点\(S\)到原点的距离

\(P(s)\propto\int dm_{11}dm_{22}dm_{12}\delta (s-\sqrt{(dm_{11}-m_{22})^2+4dm_{12}}P(dm_{11})P(dm_{22})P(dm_{12})\)

\(P(m_{11})=e^{-\frac{m_{11}^2}{2}}\),\(P(m_{22})=e^{-\frac{m_{22}^2}{2}}\),\(P(m_{12})=e^{-\frac{2m_{12}^2}{2}}\);对角元素方差是非对角元素方差的2倍

\(P(m_{11})P(m_{22})P(m_{12})=e^{-\frac{1}{2} (m_{11}^2+m_{22}^2+2m_{12}^2)}\)

\(\begin{multline} P(s)\propto \int dm_{11}dm_{22}dm_{12}\delta (s-\sqrt{(dm_{11}-m_{22})^2+4dm_{12}})P(dm_{11})P(dm_{22}P(dm_{12})\newline =\int dm_{11}dm_{22}dm_{12}\delta (s-\sqrt{(dm_{11}-m_{22})^2+4dm_{12}}·e^{-\frac{1}{2} (m_{11}^2+m_{22}^2+2m_{12}^2)}\end{multline}\)

做个线性变换\(u=\frac {m_{11}-m_{22}}{2}\),\(v=\frac {m_{11}+m_{22}}{2}\),\(w=2{m_{12}}\)

\(\begin{multline} P(s)\propto \int du dv dw \delta (s-2\sqrt{u^2+w^2)}·e^{-(u^2+v^2+w^2)} \end{multline}\)

提取\(v\)的相关量做为常量,并做极坐标变换,\(u=rsin\theta,w=rcos\theta\),面积微元\(dA=dudw=rdrd\theta\)

\(\begin{multline} P(s)\propto \int _0^\infty rdr \int _0 ^{2\pi} d \theta \delta (s-2r)·e^{-r^2}\propto s e^{-s^2}\end{multline}\)

标签:11,12,frac,22,矩阵,随机,ds
From: https://www.cnblogs.com/invo/p/18258652

相关文章

  • 基于稀疏矩阵方法的剪枝压缩模型方案总结
    1.简介1.1目的在过去的一段时间里,对基于剪枝的模型压缩的算法进行了一系列的实现和实验,特别有引入的稀疏矩阵的方法实现了对模型大小的压缩,以及在部分环节中实现了模型前向算法的加速效果,但是总体上模型加速效果不理想。所以本文档针对这些实验结果进行分析和总结。1.2范围......
  • java小记-随机数、数组
    练习4:①随机数:类似scanner键盘录入的三步:答:(只能猜一次)如果继续猜呢:添加循环:注意:添加新的功能:保底,抽的次数到某个时刻,直接猜中,不管结果几何。②数组:......
  • Kaggle平台的注册教程&&计算机视觉实验二:基于支持向量机和随机森林的分类(Part two: 编
    目录一、实验内容二、实验目的三、实验步骤四、实验结果截图五、实验完整代码六、Kaggle平台的注册教程一、实验内容        编程实现基于随机森林的泰坦尼克号人员生存与否分类,基本功能包括:Titanic-MachineLearningfromDisaster数据集的下载;数值型数据和......
  • 透视投影矩阵的推导
    透视投影矩阵的推导本文完全copy自透视投影矩阵的推导-bluebean-博客园(cnblogs.com)只是用markdown将公式全部又打了一遍图1:ViewFrustumPerspectiveProjectionMatrix的任务就是把位于视锥体内的物体的顶点(x,y,z)坐标映射到[-1,1]范围。(如果是DX可......
  • (nice!!!)LeetCode 2713. 矩阵中严格递增的单元格数(动态规划、哈希表)
    2713.矩阵中严格递增的单元格数思路:1、先对数组中的元素按值从小到大处理2、对于当前的元素值,可以更新当前所在行和列的最大值。3、最后每一行或每一列的最大值即为所求值细节看注释classSolution{public:intmaxIncreasingCells(vector<vector<int>>&mat......
  • 【物理应用】用于建模双相阵声悬浮器所需参数的声学换能器矩阵产生的压力APP
     ✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。......
  • 【扩散映射+线性卡尔曼滤波+Koopman算子】一种用于高维非线性随机动力系统状态估计的
     ......
  • Delphi 生成随机验证码
    Delphi生成随机验证码functionCodeImg(img:Timage):string; var  I,j,k: Integer;  vPoint: TPoint;  vLeft: Integer;  arrStr:array[1..36]ofstring;  strResult:string; begin  strResult:='';  arrStr[1]:=......
  • 快手面试,什么是矩阵乘法?
    大家好啊,我是董董灿。前几天一个网友在快手拿到了50W的薪资,我立刻就对快手提起了兴趣。你可以来这里回顾一下:快手的AI算法岗,50W的年包羡慕到流泪。这几天我就一直在关注快手的信息,包括快手的薪资待遇、快手的面试情况等。发现快手不仅工资给的足,面试问的也是真的细。比如......
  • 求任意矩阵的伴随矩阵
    今天学到一个非常魔怔的东西啊,求任意矩阵的伴随矩阵(在模数为质数的情况下)首先你也许知道求非奇异矩阵的伴随矩阵的方法,设这个矩阵是\(A\),称它的伴随矩阵是\(A^*\),则我们有\(A^*=|A|A^{-1}\)但是问题是当\(|A|=0\)时,\(A^{-1}\)就不存在了,咋办?我们现在做的矩阵求逆,相当......