首页 > 其他分享 >积性函数和狄利克雷卷积学习笔记

积性函数和狄利克雷卷积学习笔记

时间:2024-08-12 18:39:36浏览次数:7  
标签:函数 狄利克 积性 epsilon 卷积 cases

积性函数和狄利克雷卷积学习笔记

积性函数

定义

若函数 \(f(x)\) 满足 \(f(ab)=f(a)f(b)\),其中 \(a,b\) 互质,我们称这个函数是积性函数。

若 \(a,b\) 不互质则是完全积性函数。

常见积性函数

狄利克雷卷积

定义

也叫狄利克雷乘积。形如下式:

\[h(n)=\sum_{ab=n,a>0,b>0}f(a)g(b) \]

另一种写法为:

\[h(n)=\sum_{d|n,d>0}f(d)g(\frac nd) \]

不难发现两种写法等价。在数论中,也将它简记为 \(h=f * g\)。

性质

  1. 狄利克雷卷积满足交换律和结合律。

  2. 记 \(\epsilon(x)=\begin{cases}1,x=1\\0,x\neq1\end{cases}\),发现对所有函数均有:\(f*\epsilon=f\),故称 \(\epsilon\) 为单位数论函数或卷积单位元。

  3. 若 \(f\ast g=\epsilon\),称函数 \(g\) 是函数 \(f\) 的逆元。也记 $g=f^{-1} $,根据结合律,容易有任意函数均满足 \(f* f^{-1}=\epsilon\)。

  4. 由于莫比乌斯函数具有性质 \(\sum_{d|n}\mu(d)=\begin{cases}1,n=1\\0,n\neq1\end{cases}\),将左式看作 \(\mu* I=\epsilon\),不难发现 \(I\) 和 \(\mu\) 互为逆元。

标签:函数,狄利克,积性,epsilon,卷积,cases
From: https://www.cnblogs.com/sunzz3183/p/18355489

相关文章

  • 卷积神经网络 - 卷积神经网络的神经科学基础篇
    序言卷积神经网络(Convolutional Neural Networks, CNNs\text{ConvolutionalNeuralNetworks,CNNs}Convolutional Neural Networks, CNNs)的兴起,不仅深刻改变了计......
  • 深度学习基础案例2--从0到1构建CNN卷积神经网络(以识别CIFR10为例)
    ......
  • YOLOv8改进 | 主干网络 | 用EfficientNet卷积替换backbone【教程+代码 】
     秋招面试专栏推荐 :深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转......
  • 卷积神经网络--卷积层(斯坦福李飞飞学习笔记)
    卷积核对于图像分类任务,常见的卷积核(kernel)大小可以是3x3、5x5个像素点注意一下词汇的辨析:kernel是二维的,也就是每一层的卷积核大小;filter表示的是三维的,所以可以看到ppt里面的filter展示的是5*5*3,因为kernel的大小是5*5,同时放入的图像是RGB类型,总共3个像素层,所以三维的filt......
  • 神经网络之卷积篇:详解更多边缘检测内容(More edge detection)
    详解更多边缘检测内容已经见识到用卷积运算实现垂直边缘检测,在本博客中,将看到如何区分正边和负边,这实际就是由亮到暗与由暗到亮的区别,也就是边缘的过渡。还能了解到其他类型的边缘检测以及如何去实现这些算法,而不要总想着去自己编写一个边缘检测程序。这张6×6的图片,左边较亮,而......
  • 卷积神经网络
    全连接层全连接层(FullyConnectedLayer)可以理解为神经网络的一个隐藏层,它包含权重向量W和激活函数。具体来说,对于一张32*32*3的图片(宽和高均为32个像素,有RGB三个通道,可以将其理解为一个32*32*3的矩阵),要通过全连接层,首先要将其拉伸为3072*1的向量作为神经网络隐藏层的输入,然后......
  • 神经网络之卷积篇:详解边缘检测示例(Edge detection example)
    详解边缘检测示例卷积运算是卷积神经网络最基本的组成部分,使用边缘检测作为入门样例。在这个博客中,会看到卷积是如何进行运算的。在之前的博客中,说过神经网络的前几层是如何检测边缘的,然后,后面的层有可能检测到物体的部分区域,更靠后的一些层可能检测到完整的物体,这个例子中就是......
  • YOLOv9改进系列,YOLOv9引入SPDConv(新颖的卷积),用于低分辨率图像和小物体目标,实现大幅
    前言卷积神经网络在许多计算机视觉任务中取得了显著成功,例如图像分类和目标检测。然而,在图像分辨率较低或目标较小的更困难任务中,它们的性能会迅速下降。在本文中,指出这根源于现有CNN架构中一个常见但有缺陷的设计,即使用了步幅卷积和/或池化层,这导致了细粒度信息的丢失以......
  • 卷积神经网络 - 基本卷积函数的变体篇
    序言在深度学习和卷积神经网络(CNN\text{CNN}CNN)的广阔领域中,基本卷积函数是构建网络结构的基础,它们通过滑动窗口的方式对输入数据进行特征提取。然而,随着应用场景和数据......
  • 思考|卷积、注意力
    参考链接:卷积:https://www.bilibili.com/video/BV1Vd4y1e7pj/?spm_id_from=333.999.0.0&vd_source=fa1d778abbb911d02be7ac36f2b2e32aTransformer:https://www.bilibili.com/video/BV1TZ421j7Ke/?spm_id_from=333.999.0.0&vd_source=fa1d778abbb911d02be7ac36f2b2e32ah......