计算Fisher信息之Part(二)

import BaseMatrixMethods as BM
stepsize = 0.01
'''
一，4.8 5.2
那么，后面的哪一个距离它比较近，是由它变化而成的呢？因此这里需要判断一下
二，然后就用比较近的，进行一次排序，
三，继而求导数
'''
def getFirstPart(M1,M2,M3):eigs1,vects1 = BM.EigVect(M1)eigs2,vects2 = BM.EigVect(M2)eigs3,vects3 = BM.EigVect(M3)BM.isnear(eigs1)BM.isnear(eigs2)BM.isnear(eigs3)eig1,eig2,eig3,vect1,vect2,vect3 = BM.sorteigs(eigs1,eigs2,eigs3,vects1,vects2,vects3)EigDaoshu  = []VectDaoshu = []for i in range(len(eigs1)):EigDaoshu.append(BM.EigDaoshu(eigs1[i],eig2[i],stepsize))VectDaoshu.append(BM.VectDaoshu(vects1[i],vects2[i]))res = 0for i in range(len(eigs1)):res += (EigDaoshu[i]**2)/eigs1[i]return res

说明

这里面只有一个函数，就是计算费雪信息公式的第一部分，费雪信息的公式是这样的：

这里是求公式的第一部分，下面的是求第二和第三部分。

第二部分

import BaseMatrixMethods as BM
import numpy as np
stepsize = 0.01
'''
这部分的公式就是两个向量的导数相乘和  一个向量和一个向量的导数相乘
'''
def getSecPart(M1,M2,M3): //M1 M2 是三个矩阵eigs1,vects1 = BM.EigVect(M1)eigs2,vects2 = BM.EigVect(M2)eigs3,vects3 = BM.EigVect(M3)BM.isnear(eigs1)BM.isnear(eigs2)BM.isnear(eigs3)eig1,eig2,eig3,vect1,vect2,vect3 = BM.sorteigs(eigs1,eigs2,eigs3,vects1,vects2,vects3)EigDaoshu  = []VectDaoshu = []for i in range(len(eigs1)):EigDaoshu.append(BM.EigDaoshu(eigs1[i],eig2[i],stepsize))VectDaoshu.append(BM.VectDaoshu(vects1[i],vects2[i]))res = 0for i in range(len(eigs1)):res += 4*eigs1[i]*(4*(np.dot(np.conj(EigDaoshu[i]),EigDaoshu[i])-abs(np.dot(np.conj(vects1[i]),VectDaoshu[i]))**2))return res

第三部分

import BaseMatrixMethods as BM
import numpy as np
stepsize = 0.01
def getThirdPart(M1,M2,M3):   //M1,M2,M3是三个矩阵eigs1,vects1 = BM.EigVect(M1)eigs2,vects2 = BM.EigVect(M2)eigs3,vects3 = BM.EigVect(M3)BM.isnear(eigs1)BM.isnear(eigs2)BM.isnear(eigs3)eig1,eig2,eig3,vect1,vect2,vect3 = BM.sorteigs(eigs1,eigs2,eigs3,vects1,vects2,vects3)EigDaoshu  = []VectDaoshu = []for i in range(len(eigs1)):EigDaoshu.append(BM.EigDaoshu(eigs1[i],eig2[i],stepsize))VectDaoshu.append(BM.VectDaoshu(vects1[i],vects2[i]))res = 0for i in range(len(eigs1)):for j in range(len(eigs1)):if i == j:continueelse:xishu = -8*eigs1[i]*eigs1[j]/(eigs1[i]+eigs1[j])a = abs(np.dot(np.conj(vects1[i]),VectDaoshu[j]))**2res = res + xishu*areturn res

计算Fisher信息之Part(二)相关推荐

计算Fisher信息之基础矩阵（一）
import numpy as np import scipy as sp import matplotlib.pyplot as plt stepsize = 0.01 ''' 这里有个问题就是特 ...
计算机专业可以考航空航天专业研究生吗,我是信息与计算科学专业的大二学生，想考北京航空航天计算机专业方向的研究生，那么从现在起我该做些什么...
我是信息与计算科学专业的大二学生,想考北京航空航天计算机专业方向的研究生,那么从现在起我该做些什么答案:4 信息版本:手机版解决时间 2019-10-05 23:10 已解决 2019-10-0 ...
信息抽取（二）花了一个星期走了无数条弯路终于用TF复现了苏神的《Bert三元关系抽取模型》，我到底悟到了什么？
信息抽取(二)花了一个星期走了无数条弯路终于用TF复现了苏神的<Bert三元关系抽取>模型,我到底悟到了什么? 前言数据格式与任务目标模型整体思路复现代码数据处理数据读取训练数 ...
知识图谱之语言计算与信息抽取
语言计算与信息抽取是自然语言处理中两块重要内容.本文将根据自己的工作总结,形成了语言计算与信息抽取的知识图谱分布图. 一.总体图谱二.概念抽取三.实体抽取四.事件抽取五.语言监测六.文本计算 ...
计算广告基础知识（二）
计算广告基础知识(二) 刘鹏老师<计算广告:互联网商业变现的市场与技术>读书笔记计算广告基础知识二重点名词合约广告受众定向流量预测traffic forecasting 流量塑形 ...
【系统集成项目管理】之信息系统集成（二）
文章目录系列文章前言信息系统集成(二) 四.面向对象系统分析与设计 1.面向对象的基本概念 2. 统一建模语言与可视化建模五.软件架构 1. 定义: 2. 模式 3. 分析与评估 4. 软件中 ...
计算鬼成像学习笔记二：二阶关联函数探究
计算鬼成像学习笔记二:二阶关联函数探究 1 一阶关联函数 2 二阶关联函数 3 二阶关联如何重构物体 4 差分鬼成像关联公式 5 归一化鬼成像关联公式 1 一阶关联函数一阶关联函数是光场的电场强度之 ...
现代信号处理——参数估计理论（Fisher信息与克拉美罗（Cramer-Rao）下界）
假定随机信号x(t)隐藏有真实参数θ,根据信号的一次实现x,可以得到θ的一个估计子.一个自然会问的问题是,这一估计子是否是最优的呢?这个问题实际上可等价叙述为:在真实参数θ给定的情况下,根据信号实现值 ...
快递单信息抽取【二】基于ERNIE1.0至ErnieGram + CRF预训练模型
相关文章: 1.快递单中抽取关键信息[一]----基于BiGRU+CR+预训练的词向量优化 2.快递单信息抽取[二]基于ERNIE1.0至ErnieGram + CRF预训练模型 3.快递单信息抽取[ ...

计算Fisher信息之Part(二)

说明

第二部分

第三部分

计算Fisher信息之Part(二)相关推荐

最新文章

热门文章