循环矩阵傅里叶对角化
来源:互联网 发布:藏族怎么看中国知乎 编辑:程序博客网 时间:2024/04/28 12:59
循环矩阵傅里叶对角化
版权声明:本文为博主原创文章,未经博主允许不得转载。
目录(?)[+]
- XX是什么
- FF 是什么
- 对角化怎么理解
- 怎么证明
- 更多性质
- 转置
- 卷积
- 相乘
- 相加
- 求逆
- 有什么用
- 二维情况
- 代码
All circulant matrices are made diagonal by the Discrete Fourier Transform (DFT), regardless of the generating vector x.
任意循环矩阵可以被傅里叶变换矩阵对角化。
文献中,一般用如下方式表达这一概念:
其中
换句话说,
另一方面,如果一个矩阵能够表示成两个傅里叶矩阵夹一个对角阵的乘积形式,则它是一个循环矩阵。其生成向量是对角元素的傅里叶逆变换:
这个公式初看疑问很多,以下一一讨论。
X 是什么?
F 是什么?
把
之所以称为DFT matrix,是因为一个信号的DFT变换可以用此矩阵的乘积获得:
反傅里叶变换也可以通过类似手段得到:
傅里叶矩阵有许多性质:
- 是对称矩阵,观察
- 满足
注意:
对角化怎么理解?
把原公式两边乘以逆矩阵:
利用前述酉矩阵性质:
也就是说,矩阵
另外,
怎么证明?
可以用构造特征值和特征向量的方法证明(参看这篇论文1的3.1节),此处简单描述。
考察待证明等式的第k列:
其中
左边向量的第i个元素为:
内积只和两个向量的相对位移有关,所以可以把
DFT矩阵列的移位可以通过数乘
举例:
K=3 ,F=1K−−√⎡⎣⎢1111ωω21ω2ω4⎤⎦⎥ 利用
ωN=1 .f1⋅ω=[1,ω,ω2]⋅ω=[ω,ω2,ω3]=[ω,ω2,1]=f−11 f1⋅ω2=[1,ω,ω2]⋅ω2=[ω2,ω3,ω4]=[ω2,1,ω]=f−21
于是有:
右边的
对任意k列的第i个元素有:
更多性质
利用对角化,能推导出循环矩阵的许多性质。
转置
循环矩阵的转置也是一个循环矩阵(可以查看循环矩阵各元素排列证明),其特征值和原特征值共轭。
可以通过如下方式证明:
由于
如果原生成向量
卷积
循环矩阵乘向量等价于生成向量的逆序和该向量卷积,可进一步转化为福利也变化相乘。
注意卷积本身即包含逆序操作,另外利用了信号与系统中经典的“时域卷积,频域相乘”。
其中
相乘
设
乘积也是循环矩阵,其生成向量是原生成向量对位相乘的傅里叶逆变换。
相加
和的特征值等于特征值的和:
和也是循环矩阵,其生成向量是原生成向量的和。
求逆
循环矩阵的逆,等价于将其特征值求逆。
对角阵求逆等价于对角元素求逆。以下证明:
逆也是循环矩阵
有什么用?
该性质可以将循环矩阵的许多运算转换成更简单的运算。例如:
原始计算量:两个方阵相乘(
转化后的计算量:反向傅里叶(
CV的许多算法中,都利用了这些性质提高运算速度,例如2015年TPAMI的这篇高速跟踪KCF方法2。
二维情况
以上探讨的都是原始信号为一维的情况。以下证明二维情况下的
举例:N=3
f01=⎡⎣⎢111ωωωω2ω2ω2⎤⎦⎥,f11=⎡⎣⎢1ωω2ωω2ω3ω2ω3ω4⎤⎦⎥
需要验证的共有
其中
这个等式的第ij元素为:
再次利用两个性质:1) 点乘只和两个矩阵相对位移有关,2)
代码
以下matlab代码验证上述性质。需要注意的是,matlab中的dftmatx函数给出的结果和本文定义略有不同,需做一简单转换。另外,matlab中的撇号表示共轭转置,transpose为转置函数,conj为共轭函数。
<code class="language-matlab hljs has-numbering">clear;clc;close all;<span class="hljs-comment">% 1. diagnolize </span>K = <span class="hljs-number">5</span>; <span class="hljs-comment">% dimension of problem</span>x_base = <span class="hljs-built_in">rand</span>(<span class="hljs-number">1</span>,K); <span class="hljs-comment">% generator vector</span>X = <span class="hljs-built_in">zeros</span>(K,K); <span class="hljs-comment">% circulant matrix</span><span class="hljs-keyword">for</span> k=<span class="hljs-number">1</span>:K X(k,:) = <span class="hljs-built_in">circshift</span>(x_base, <span class="hljs-matrix">[<span class="hljs-number">0</span> k-<span class="hljs-number">1</span>]</span>);<span class="hljs-keyword">end</span>x_hat = fft(x_base); <span class="hljs-comment">% DFT</span>F = transpose(dftmtx(K))/<span class="hljs-built_in">sqrt</span>(K); <span class="hljs-comment">% the " ' " in matlab is transpose + conjugation</span>X2 = F*<span class="hljs-built_in">diag</span>(x_hat)*<span class="hljs-transposed_variable">F'</span>;display(X);display(<span class="hljs-built_in">real</span>(X2));<span class="hljs-comment">% 2. fast compute correlation</span>C = <span class="hljs-transposed_variable">X'</span>*X;C2 = (<span class="hljs-transposed_variable">x_hat.</span>*<span class="hljs-built_in">conj</span>(x_hat))*<span class="hljs-built_in">conj</span>(F)/<span class="hljs-built_in">sqrt</span>(K);display(C);display(C2);</code><ul class="pre-numbering" style=""><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li><li>9</li><li>10</li><li>11</li><li>12</li><li>13</li><li>14</li><li>15</li><li>16</li><li>17</li><li>18</li><li>19</li><li>20</li><li>21</li><li>22</li><li>23</li><li>24</li><li>25</li><li>26</li></ul><ul class="pre-numbering" style=""><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li><li>9</li><li>10</li><li>11</li><li>12</li><li>13</li><li>14</li><li>15</li><li>16</li><li>17</li><li>18</li><li>19</li><li>20</li><li>21</li><li>22</li><li>23</li><li>24</li><li>25</li><li>26</li></ul>
- Gray, Robert M. Toeplitz and circulant matrices: A review. now publishers inc, 2006.↩
- Henriques, João F., et al. “High-speed tracking with kernelized correlation filters.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 37.3 (2015): 583-596.↩
- 顶
- 0
- 踩
- 0
- 上一篇核方法(kernel method)超简说明
- 下一篇KCF高速跟踪详解
- 循环矩阵傅里叶对角化
- 循环矩阵傅里叶对角化
- 循环矩阵傅里叶对角化
- 循环矩阵傅里叶对角化
- 循环矩阵傅里叶对角化
- 循环矩阵傅里叶对角化
- 对角化矩阵
- 矩阵对角化1
- 矩阵的对角化
- Toeplitz 矩阵对角化
- 矩阵对角化
- 矩阵对角化
- 019 矩阵对角化
- 026 矩阵对角化
- 矩阵对角化的意义?
- 相似矩阵、矩阵的相似对角化
- 判断一个矩阵是否可对角化
- 线性代数5-矩阵对角化与特征值
- 重读COM技术内幕(inside com)有感
- Word Pattern
- Qt Quick 准确的移动平台屏幕适配
- Centos7 LAMP环境搭建
- axis2 webservice 调用的三种方式
- 循环矩阵傅里叶对角化
- query的DOM操作
- 【Linux】引导扇区(boot sector)的结构
- 单链表排序之冒泡排序
- CodeForces 673 A Bear and Game
- 单例模式 最简单
- 集群问题
- 设计模式笔记-Iterator迭代器模式
- 数据库SQL优化大总结之 百万级数据库优化方案