UA MATH567 高维统计III 随机矩阵12 整数环上的区间的应用:DNA序列突变点侦测的统计量及假设检验
UA MATH567 高维统计III 随机矩阵12 整数环上的区间的应用:拐点侦测的统计量及假设检验
- 整数环上的区间作为随机变量的下标
- 最大值的概率不等式
- 应用:DNA序列突变点侦测
整数环上的区间作为随机变量的下标
我们可以在整数上定义区间,虽然只是一个toy definition,但我们可以看到它也是有相关应用的。假设l,r∈Zl,r \in \mathbb{Z}l,r∈Z,称有如下形式的集合为整数环上的区间,
{l+1,l+2,⋯,r}\{l+1,l+2,\cdots,r\}{l+1,l+2,⋯,r}
我们引入两种记号来表示,第一种是(l,r)(l,r)(l,r),称这种表示方法为区间表示;第二种是(0,⋯,0⏟l个,1,⋯,1⏟(r−l)个,0,⋯)(\underbrace{0,\cdots,0}_{l个},\underbrace{1,\cdots,1}_{(r-l)个},0,\cdots)(l个0,⋯,0,(r−l)个1,⋯,1,0,⋯),称这种表示方法为向量表示。称r−lr-lr−l是区间的长度,用AnA_nAn表示(0,n)(0,n)(0,n),我们计数一下它的子区间的数目:
- Intervals of length 1: nnn
- Intervals of length 2: n−1n-1n−1
- Intervals of length kkk: n−(k−1)n-(k-1)n−(k−1)
- Intervals of length nnn: 1
- empty interval: 1
因此AnA_nAn包含的区间个数为
1+∑k=1n[n−(k−1)]=1+n(n+1)2∝n21+\sum_{k=1}^{n} [n-(k-1)]= 1+\frac{n(n+1)}{2}\propto n^21+k=1∑n[n−(k−1)]=1+2n(n+1)∝n2
我们用In\mathbb{I}_nIn表示AnA_nAn的所有子区间组成的集合。
现在我们引入用区间作为下标的随机变量,假设X1,⋯,Xn∼iidN(0,1)X_1,\cdots,X_n \sim_{iid} N(0,1)X1,⋯,Xn∼iidN(0,1),∀I∈In\forall I \in \mathbb{I}_n∀I∈In,定义
Z[I]=1∣I∣∑i∈IXiZ[I]=\frac{1}{\sqrt{|I|}}\sum_{i \in I}X_iZ[I]=∣I∣1i∈I∑Xi
其中∣I∣|I|∣I∣表示区间III的长度。下面我们说明几个结论:
结论1 Z[I]∼N(0,1)Z[I] \sim N(0,1)Z[I]∼N(0,1)
For any I∈InI \in \mathbb{I}_nI∈In, let ∣I∣=m+1|I|=m+1∣I∣=m+1, q=infIq = \inf Iq=infI, and then the {Xi:i∈I}\{X_i:i \in I\}{Xi:i∈I} can be written as Xq,Xq+1,⋯,Xq+mX_q,X_{q+1},\cdots,X_{q+m}Xq,Xq+1,⋯,Xq+m. So
Z[I]=1m+1∑k=0mXq+kEZ[I]=0,Var(Z[I])=1m+1∑k=0m1=1Z[I]=\frac{1}{\sqrt{m+1}}\sum_{k=0}^{m}X_{q+k} \\ EZ[I]=0,\ Var(Z[I])=\frac{1}{m+1}\sum_{k=0}^{m}1=1Z[I]=m+11k=0∑mXq+kEZ[I]=0, Var(Z[I])=m+11k=0∑m1=1
Since Z[I]Z[I]Z[I] is linear combination of normal random variables, Z[I]∼N(0,1)Z[I] \sim N(0,1)Z[I]∼N(0,1).
结论2 Cov(Z[I],Z[J])=ρ(I,J),Var(Z[I]−Z[J])=2δ2(I,J)Cov(Z[I],Z[J])=\rho(I,J),Var(Z[I]-Z[J])=2\delta^2(I,J)Cov(Z[I],Z[J])=ρ(I,J),Var(Z[I]−Z[J])=2δ2(I,J),其中
ρ(I,J)=∣I∩J∣∣I∣∣J∣,δ(I,J)=1−ρ(I,J)\rho(I,J)=\frac{|I \cap J|}{\sqrt{|I||J|}},\delta(I,J)=\sqrt{1-\rho(I,J)}ρ(I,J)=∣I∣∣J∣∣I∩J∣,δ(I,J)=1−ρ(I,J)
Note that
∣I∣Z[I]=∣I∩J∣Z[I∩J]+∣I∖J∣Z[I∖J]∣J∣Z[J]=∣I∩J∣Z[I∩J]+∣J∖I∣Z[J∖I]\sqrt{|I|}Z[I]=\sqrt{|I \cap J|}Z[I \cap J]+\sqrt{|I \setminus J|}Z[I \setminus J] \\ \sqrt{|J|}Z[J]=\sqrt{|I \cap J|}Z[I \cap J]+\sqrt{|J \setminus I|}Z[J \setminus I]∣I∣Z[I]=∣I∩J∣Z[I∩J]+∣I∖J∣Z[I∖J]∣J∣Z[J]=∣I∩J∣Z[I∩J]+∣J∖I∣Z[J∖I]
i) Notice Cov(Z[I],Z[J∖I])=Cov(Z[I∖J],Z[J])=0Cov(Z[I],Z[J \setminus I])=Cov(Z[I \setminus J],Z[J])=0Cov(Z[I],Z[J∖I])=Cov(Z[I∖J],Z[J])=0. Thus,
Cov(Z[I],Z[J])=Cov(∣I∩J∣∣I∣Z[I∩J],∣I∩J∣∣J∣Z[I∩J])=∣I∩J∣∣I∣∣J∣=ρ(I,J)Cov(Z[I],Z[J]) \\=Cov \left( \frac{\sqrt{|I \cap J|}}{\sqrt{|I|}}Z[I \cap J], \frac{\sqrt{|I \cap J|}}{\sqrt{|J|}}Z[I \cap J]\right) \\ = \frac{|I \cap J|}{\sqrt{|I||J|}} = \rho(I,J)Cov(Z[I],Z[J])=Cov(∣I∣∣I∩J∣Z[I∩J],∣J∣∣I∩J∣Z[I∩J])=∣I∣∣J∣∣I∩J∣=ρ(I,J)
ii) Directly calculate,
Var(Z[I]−Z[J])=Var([∣I∩J∣∣I∣−∣I∩J∣∣J∣]Z[I∩J]+∣I∖J∣∣I∣Z[I∖J]−∣J∖I∣∣J∣Z[J∖I])=[∣I∩J∣∣I∣−∣I∩J∣∣J∣]2+∣I∖J∣∣I∣+∣J∖I∣∣J∣=∣I∩J∣+∣I∖J∣∣I∣+∣I∩J∣+∣J∖I∣∣J∣−2ρ(I,J)=2[1−ρ(I,J)]=2δ2(I,J)Var(Z[I]-Z[J]) \\ = Var ( \left[ \frac{\sqrt{|I \cap J|}}{\sqrt{|I|}}- \frac{\sqrt{|I \cap J|}}{\sqrt{|J|}}\right]Z[I \cap J] \\+ \frac{\sqrt{|I \setminus J|}}{\sqrt{|I|}} Z[I \setminus J]- \frac{\sqrt{|J \setminus I|}}{\sqrt{|J|}}Z[J \setminus I]) \\ = \left[ \frac{\sqrt{|I \cap J|}}{\sqrt{|I|}}- \frac{\sqrt{|I \cap J|}}{\sqrt{|J|}}\right]^2+\frac{|I \setminus J|}{|I|}+\frac{|J \setminus I|}{|J|} \\ = \frac{|I \cap J|+|I \setminus J|}{|I|}+\frac{|I \cap J|+|J \setminus I|}{|J|}-2\rho(I,J) \\ = 2[1-\rho(I,J)] =2\delta^2(I,J)Var(Z[I]−Z[J])=Var([∣I∣∣I∩J∣−∣J∣∣I∩J∣]Z[I∩J]+∣I∣∣I∖J∣Z[I∖J]−∣J∣∣J∖I∣Z[J∖I])=[∣I∣∣I∩J∣−∣J∣∣I∩J∣]2+∣I∣∣I∖J∣+∣J∣∣J∖I∣=∣I∣∣I∩J∣+∣I∖J∣+∣J∣∣I∩J∣+∣J∖I∣−2ρ(I,J)=2[1−ρ(I,J)]=2δ2(I,J)
最大值的概率不等式
定义
Z∗[In]=max{Z[I]:I∈In}Z^*[\mathbb{I}_n]=\max\{Z[I]:I \in \mathbb{I}_n\}Z∗[In]=max{Z[I]:I∈In}
我们的目标是导出下面的概率不等式:
P(Z∗[In]>2.01logn)→0,asn→∞P(Z^*[\mathbb{I}_n]>\sqrt{2.01 \log n}) \to 0,\ as\ n \to \inftyP(Z∗[In]>2.01logn)→0, as n→∞
这个不等式看上去让人摸不着头脑,但我们介绍完这个不等式的推导后会介绍它到底有什么用。
推导这个概率不等式的思路与推导随机矩阵的概率不等式的思路类似,我们用ϵ\epsilonϵ-net作为工具,将和式放大为ϵ\epsilonϵ-net的绝对值乘以概率的最值即可。构造ϵ\epsilonϵ-net需要度量空间,因此我们首先要在In\mathbb{I}_nIn上定义度量,然后再推导不等式。
结论3 (In,δ)(\mathbb{I}_n,\delta)(In,δ)是一个度量空间。
证明
i) δ(I,J)=0⇔ρ(I,J)=1⇔I=J\delta(I,J)=0 \Leftrightarrow \rho(I,J)=1 \Leftrightarrow I = Jδ(I,J)=0⇔ρ(I,J)=1⇔I=J,后半句的证明如下:
⇒\Rightarrow⇒: If ρ(I,J)=1\rho(I,J)=1ρ(I,J)=1, assume I≠JI \ne JI=J. We can decompose JJJ as
J=(I∩J)⊔(J∖I)J = (I \cap J) \sqcup (J \setminus I)J=(I∩J)⊔(J∖I)where ∣J∖I∣>0|J \setminus I|>0∣J∖I∣>0. Besides, I∩J⊂II \cap J \subset II∩J⊂I, ∣I∩J∣≤I|I \cap J| \le I∣I∩J∣≤I. So
ρ(I,J)=∣I∩J∣∣I∣∣J∣≤∣I∩J∣∣I∩J∣(∣I∩J∣+∣J∖I∣)<1\rho(I,J)=\frac{|I \cap J|}{\sqrt{|I||J|}}\le \frac{|I \cap J|}{\sqrt{|I \cap J|(|I \cap J|+|J \setminus I|)}}<1ρ(I,J)=∣I∣∣J∣∣I∩J∣≤∣I∩J∣(∣I∩J∣+∣J∖I∣)∣I∩J∣<1
This is contradict to ρ(I,J)=1\rho(I,J)=1ρ(I,J)=1. So I=JI = JI=J.
⇐\Leftarrow⇐: If I=JI = JI=J, ∣I∩J∣=∣I∣|I \cap J| = |I|∣I∩J∣=∣I∣, ∣I∣∣J∣=∣I∣2=∣I∣\sqrt{|I||J|} = \sqrt{|I|^2} = |I|∣I∣∣J∣=∣I∣2=∣I∣, thus
ρ(I,J)=1\rho(I,J)=1ρ(I,J)=1
ii) δ(I,J)=1−ρ(I,J)=1−ρ(J,I)=δ(J,I)\delta(I,J)=\sqrt{1-\rho(I,J)}=\sqrt{1-\rho(J,I)}=\delta(J,I)δ(I,J)=1−ρ(I,J)=1−ρ(J,I)=δ(J,I)
iii) ∀I,J,K∈In\forall I,J,K \in \mathbb{I}_n∀I,J,K∈In,要说明
δ(I,K)≤δ(I,J)+δ(J,K)\delta(I,K) \le \delta(I,J)+\delta(J,K)δ(I,K)≤δ(I,J)+δ(J,K)
参考结论2,用以区间为下标的随机变量之差的方差表示δ\deltaδ,则不等式等价于
12Var(Z[I]−Z[K])≤12Var(Z[I]−Z[J])+12Var(Z[J]−Z[K])\sqrt{\frac{1}{2}Var(Z[I]-Z[K])} \\ \le \sqrt{\frac{1}{2}Var(Z[I]-Z[J])}+\sqrt{\frac{1}{2}Var(Z[J]-Z[K])}21Var(Z[I]−Z[K])≤21Var(Z[I]−Z[J])+21Var(Z[J]−Z[K])
引入X=Z[I]−Z[J],Y=Z[J]−Z[K]X=Z[I]-Z[J],Y=Z[J]-Z[K]X=Z[I]−Z[J],Y=Z[J]−Z[K],
EX=EY=0EX=EY=0EX=EY=0
则上式等价于
E[(X+Y)2]≤E[X2]+E[Y2]\sqrt{E[(X+Y)^2]} \le \sqrt{E[X^2]}+\sqrt{E[Y^2]}E[(X+Y)2]≤E[X2]+E[Y2]
也就是等价于L2L^2L2中的范数满足的三角不等式:
∥X+Y∥L2≤∥X∥L2+∥Y∥L2\left\| X+Y \right\|_{L^2} \le \left\| X \right\|_{L^2}+\left\| Y \right\|_{L^2}∥X+Y∥L2≤∥X∥L2+∥Y∥L2
所以
δ(I,K)≤δ(I,J)+δ(J,K)\delta(I,K) \le \delta(I,J)+\delta(J,K)δ(I,K)≤δ(I,J)+δ(J,K)
引理 极值理论的概率不等式
假设X1,⋯,Xn∼iidN(0,1)X_1,\cdots,X_n \sim_{iid} N(0,1)X1,⋯,Xn∼iidN(0,1),则
P(X(n)>2logn)≤14πlognP(X_{(n)}>\sqrt{2 \log n}) \le \frac{1}{\sqrt{4\pi \log n}}P(X(n)>2logn)≤4πlogn1
这是极值理论的一个重要结论,极值理论是研究一列随机变量的最大值/最小值的分布的理论,最大值X(n)X_{(n)}X(n)可能收敛到一些特殊的分布,比如Gumbel分布等,这个不等式说明这种收敛的收敛速率为O(1/logn)O(1/\sqrt{\log n})O(1/logn),这是一个非常小的收敛速率,也就是说极值的收敛是非常慢的。另外一类重要的收敛是均值的收敛,研究均值收敛的理论是中心极限定理,经典的中心极限定理给出的均值的收敛速率是O(1/n)O(1/n)O(1/n)。
现在我们可以在(In,δ)(\mathbb{I}_n,\delta)(In,δ)上定义一个ϵ\epsilonϵ-net,记为N\mathcal{N}N,它的cardinality满足
∣N∣≤4nϵ4|\mathcal{N}|\le \frac{4n}{\epsilon^4}∣N∣≤ϵ44n
N\mathcal{N}N上的元素满足:∀I∈In\forall I \in \mathbb{I}_n∀I∈In,∃J∈N\exists J \in \mathcal{N}∃J∈N,δ(I,J)<ϵ\delta(I,J)<\epsilonδ(I,J)<ϵ,根据结论2,用方差表示就是
Var(Z[I]−Z[J])≤2ϵ2Var(Z[I]-Z[J]) \le 2\epsilon^2Var(Z[I]−Z[J])≤2ϵ2
引入Z∗[N]=max{Z[I]:I∈N}Z^*[\mathcal{N}]=\max\{Z[I]:I \in \mathcal{N}\}Z∗[N]=max{Z[I]:I∈N},根据上面的引理
P(Z∗[N]>2log∣N∣)≤14πlog∣N∣P(Z∗[N]>2log4nϵ4)≤14πlog4nϵ4P(Z^*[\mathcal{N}]>\sqrt{2 \log |\mathcal{N}|}) \le \frac{1}{\sqrt{4\pi \log |\mathcal{N}|}} \\ P(Z^*[\mathcal{N}]>\sqrt{2 \log \frac{4n}{\epsilon^4}}) \le \frac{1}{\sqrt{4\pi \log \frac{4n}{\epsilon^4}}} P(Z∗[N]>2log∣N∣)≤4πlog∣N∣1P(Z∗[N]>2logϵ44n)≤4πlogϵ44n1
这是关于Z∗[N]Z^*[\mathcal{N}]Z∗[N],我们来说明它可以逼近Z∗[In]Z^*[\mathbb{I}_n]Z∗[In],
Z∗[In]=maxI∈InZ[I]=maxI∈In(Z[J]+(Z[I]−Z[J]))≤Z∗[N]+maxI∈In,J∈N(Z[I]−Z[J])Z^*[\mathbb{I}_n] = \max_{I \in \mathbb{I}_n} Z[I] = \max_{I \in \mathbb{I}_n} (Z[J]+(Z[I]-Z[J])) \\ \le Z^{*}[\mathcal{N}]+\max_{I \in \mathbb{I}_n,J \in \mathcal{N}}(Z[I]-Z[J])Z∗[In]=I∈InmaxZ[I]=I∈Inmax(Z[J]+(Z[I]−Z[J]))≤Z∗[N]+I∈In,J∈Nmax(Z[I]−Z[J])
maxI∈In,J∈N(Z[I]−Z[J])\max_{I \in \mathbb{I}_n,J \in \mathcal{N}}(Z[I]-Z[J])maxI∈In,J∈N(Z[I]−Z[J])可以理解成∣In∣∣N∣|\mathbb{I}_n||\mathcal{N}|∣In∣∣N∣个标准正态的最大值,根据引理,
P(maxI∈In,J∈N(Z[I]−Z[J])>2log∣In∣∣N∣)≤14πlog∣In∣∣N∣P(maxI∈In,J∈N(Z[I]−Z[J])>2ϵ2logn4)≤14πlogn4P(\max_{I \in \mathbb{I}_n,J \in \mathcal{N}}(Z[I]-Z[J])>\sqrt{2 \log |\mathbb{I}_n||\mathcal{N}|}) \le \frac{1}{\sqrt{4\pi \log |\mathbb{I}_n||\mathcal{N}|}} \\ P(\max_{I \in \mathbb{I}_n,J \in \mathcal{N}}(Z[I]-Z[J])>\sqrt{2}\epsilon\sqrt{2 \log n^4}) \le \frac{1}{\sqrt{4\pi \log n^4}} P(I∈In,J∈Nmax(Z[I]−Z[J])>2log∣In∣∣N∣)≤4πlog∣In∣∣N∣1P(I∈In,J∈Nmax(Z[I]−Z[J])>2ϵ2logn4)≤4πlogn41
综上,
P(Z∗[In]>2log4nϵ4+2ϵ2logn4)<14πlogn4+14πlog4nϵ4→0,asn→∞P(Z^*[\mathbb{I}_n]>\sqrt{2 \log \frac{4n}{\epsilon^4}}+\sqrt{2}\epsilon\sqrt{2 \log n^4})\\<\frac{1}{\sqrt{4\pi \log n^4}} + \frac{1}{\sqrt{4\pi \log \frac{4n}{\epsilon^4}}} \to 0,\ as\ n \to \inftyP(Z∗[In]>2logϵ44n+2ϵ2logn4)<4πlogn41+4πlogϵ44n1→0, as n→∞
最后考虑一下
2log4nϵ4+2ϵ2logn4\sqrt{2 \log \frac{4n}{\epsilon^4}}+\sqrt{2}\epsilon\sqrt{2 \log n^4}2logϵ44n+2ϵ2logn4
我们希望得到一个最大的下界,于是选择一个ϵ\epsilonϵ使得这个值最小,比如取ϵ=0.001/2\epsilon=0.001/\sqrt{2}ϵ=0.001/2,就可以得到待证的不等式了。
应用:DNA序列突变点侦测
先从维基百科扒来一个标准密码子表,简单介绍一下DNA序列突变点的含义,如果一段DNA序列为ATGATCACTATGTAG,则它翻译的结果是甲硫氨酸-异亮氨酸-苏氨酸-甲硫氨酸,如果这个序列突变为ATGATCACTATCTAG,它翻译的结果就变成了甲硫氨酸-异亮氨酸-苏氨酸-异亮氨酸,这两种结果中硫元素的含量具有显著差异,根据这个性质,我们可以设计试验寻找突变点。要检验某段DNA中是否有使ATG变成ATC的突变点,翻译得到一个很长的肽链,用XiX_iXi表示一小段肽链的硫元素含量,Xi∼N(μi2,1),i=1,⋯,nX_i \sim N(\mu_i^2,1),i=1,\cdots,nXi∼N(μi2,1),i=1,⋯,n,这里方差被标准化为1,我们可以用假设检验建模:
H0:μ1=⋯=μn=0Ha:μ1=⋯=μl=μr+1=⋯=μn=0,μl+1=⋯=μr≠0H_0:\mu_1=\cdots=\mu_n=0 \\ H_a:\mu_1 = \cdots = \mu_l = \mu_{r+1} = \cdots = \mu_n = 0,\mu_{l+1}=\cdots=\mu_r \ne 0H0:μ1=⋯=μn=0Ha:μ1=⋯=μl=μr+1=⋯=μn=0,μl+1=⋯=μr=0
定义
X[l,r]=1l−r∑i=l+1rXiX[l,r]=\frac{1}{\sqrt{l-r}}\sum_{i=l+1}^rX_iX[l,r]=l−r1i=l+1∑rXi
在原假设下,X[l,r]∼N(0,1)X[l,r] \sim N(0,1)X[l,r]∼N(0,1),要检验这段DNA中是否包含使ATG变成ATC的突变点,引入统计量
T=maxl<r∣X[l,r]∣T = \max_{l<r}|X[l,r]|T=l<rmax∣X[l,r]∣
这个统计量的作用非常直观,如果这段DNA不含突变,那么TTT的值就会比较小,否则TTT是比较大的,为了让这个方法具有实用价值,我们需要确定多大才算大。根据上面的不等式:
P(T=Z∗[In]>2.01logn)→0,asn→∞P(T=Z^*[\mathbb{I}_n]>\sqrt{2.01 \log n}) \to 0,\ as\ n \to \inftyP(T=Z∗[In]>2.01logn)→0, as n→∞
这里的nnn表示的是肽链的数目,这个概率不等式说明,用一个比较严格的标准,当TTT比2.01logn\sqrt{2.01 \log n}2.01logn时,我们可以显著地拒绝原假设,并得出这段DNA存在使ATG变成ATC的突变点。
UA MATH567 高维统计III 随机矩阵12 整数环上的区间的应用:DNA序列突变点侦测的统计量及假设检验相关推荐
- UA MATH567 高维统计III 随机矩阵4 欧氏空间上的集网与覆盖
UA MATH567 高维统计III 随机矩阵4 欧氏空间上的集网与覆盖 这一讲我们进一步介绍ϵ\epsilonϵ-网,上一讲的定义net.covering与packing是比较抽象的,这一讲我们在n ...
- UA MATH567 高维统计III 随机矩阵6 亚高斯矩阵的范数
UA MATH567 高维统计III 随机矩阵6 亚高斯矩阵的范数 在前五讲的理论基础上,我们现在开始正式讨论随机矩阵.假设AAA是一个m×nm \times nm×n的随机矩阵,它的元素AijA_{ ...
- UA MATH567 高维统计III 随机矩阵10 亚高斯矩阵的应用:协方差估计与聚类问题的样本量需求计算
UA MATH567 高维统计III 随机矩阵10 亚高斯矩阵的应用:协方差估计与聚类的样本量 如果XXX是零均值的随机变量,则Σ=EXXT\Sigma = EXX^TΣ=EXXT,假设{Xi}i=1 ...
- UA MATH567 高维统计III 随机矩阵8 社区发现 Spectral Clustering的理论分析
UA MATH567 高维统计III 随机矩阵8 社区发现 Spectral Clustering的理论分析 上一讲我们完成了Stochastic Block Model与社区发现问题的建模,并描述了 ...
- UA MATH567 高维统计III 随机矩阵7 亚高斯矩阵的应用:Stochastic Block Model与社区发现 问题描述
UA MATH567 高维统计III 随机矩阵7 亚高斯矩阵的应用:Stochastic Block Model与社区发现 我们来介绍亚高斯矩阵的一个应用:评估社区发现算法的效率.Community ...
- UA MATH567 高维统计III 随机矩阵3 集网与覆盖
UA MATH567 高维统计III 随机矩阵3 集网与覆盖 在介绍随机矩阵的concentration与尾部概率行为之前,我们先介绍一个在监督学习理论.高维统计与随机矩阵等领域都非常有用的工具:ϵ\ ...
- UA MATH567 高维统计III 随机矩阵2 算子范数与Frobenius范数 基于SVD的low-rank approximation
UA MATH567 高维统计III 随机矩阵2 算子范数与Frobenius范数 基于SVD的low-rank approximation 矩阵的范数 假设AAA是从nnn维欧氏空间到mmm维欧氏空 ...
- UA MATH567 高维统计专题1 稀疏信号及其恢复5 LASSO的估计误差
UA MATH567 高维统计专题1 稀疏信号及其恢复5 LASSO的估计误差 Signal Recovery Noisy Setting LASSO的估计误差 Signal Recovery Noi ...
- UA MATH567 高维统计IV Lipschitz组合10 随机矩阵的Bernstein不等式
UA MATH567 高维统计IV Lipschitz组合10 随机矩阵的Bernstein不等式 随机矩阵的Bernstein不等式 假设X1,⋯,XNX_1,\cdots,X_NX1,⋯,XN ...
最新文章
- 爱上MVC3系列~分部视图中的POST
- jquery php 异步图片上传实例,php结合jquery异步上传图片(ajaxSubmit)
- java成果_JAVA WEB期末项目第二阶段成果
- centos7搭建FTP服务器
- 上海1.3万座玻璃幕墙建筑“一网统管”
- python入门(7)Python程序的风格
- SQL语句增加列、修改列类型、修改列、删除列
- C#事件(event)解析(转)
- 证书激励法——VBA课程第二次讨论2007年12月6日
- 【TSP】基于matlab自重启伪遗传改良算法求解旅行商问题【含Matlab源码 1510期】
- linux和unix的关系
- 使用depends查看64位dll/exe
- ubuntu16.04 设置开机自动运行程序
- TypeError: list indices must be integers or slices, not tuple
- 计算机主板供电,主板供电/元器件
- 决定RDD分区数因素、关联
- 有感于男人们的友谊和女人们的友谊
- linux audacity,Audacity使用教程 Audacity怎么用
- 访问github网速慢问题
- 如何为HTML5 Video载入WebVTT字幕
热门文章
- 【数据挖掘知识点四】参数估计
- Pandas简明教程:二、Pandas基本数据结构-DataFrame与Series
- openFeign 服务接口的调用03—— OpenFeign 超时控制
- openFeign 服务接口的调用01——概述
- @PropertySource@ImportResource@Bean
- Markdown设置字体大小、颜色...,CSDN博客编写设置字体大小、颜色、粗细。字体,文字背景设置。
- POJ 2406 Power Strings (KMP) kmp循环节
- [YTU]_2914 ( xiaoping学构造函数)
- 判断二进制数1的个数
- 两个栈来实现一个队列的C++代码