3,094
个编辑
更改
→最大化有效信息的谱分解方法
# 对 <math>P</math> 进行矩阵的[[特征值分解]]，得到特征值集合 <math>\Lambda=\{\lambda_i\}^N_{i=1}</math> 与特征向量集合 <math>E=\{e_i\}^N_{i=1}</math>；
# 对 <math>P</math> 进行矩阵的[[特征值分解]]，得到特征值集合 <math>\Lambda=\{\lambda_i\}^N_{i=1}</math> 与特征向量集合 <math>E=\{e_i\}^N_{i=1}</math>；
# 构建有偏特征向量集合 <math>E’=\{\lambda_ie_i|\lambda_i\neq 0\}</math>。这里用特征值对特征向量加权，并去掉零特征值对应的方向，因为后者更多反映动力学的简并性，而非真正有区分度的大尺度结构；
# 构建有偏特征向量集合 <math>E’=\{\lambda_ie_i|\lambda_i\neq 0\}</math>。这里用特征值对特征向量加权，并去掉零特征值对应的方向，因为后者更多反映动力学的简并性，而非真正有区分度的大尺度结构；
# 依据 <math>E'</math> 计算状态间的相似矩阵 <math>D</math>：如果两个状态位于彼此的马尔科夫毯中，就用谱嵌入后的 cosine 相似度来衡量其接近程度；否则把它们视为“不可直接聚类”的状态对，赋予极大距离；
# 依据 <math>E'</math> 计算状态间的相似矩阵 <math>D</math>：如果两个状态位于彼此的[[马尔科夫毯]]中，就用谱嵌入后的 [[cosine相似度]]来衡量其接近程度；否则把它们视为“不可直接聚类”的状态对，赋予极大距离；
# 基于相似度矩阵 <math>D</math> 和超参 <math>\epsilon</math>，使用[[OPTICS]]算法在谱空间中聚类，得到候选划分，并从中选出 EI 较高的结果。
# 基于相似度矩阵 <math>D</math> 和超参 <math>\epsilon</math>，使用[[OPTICS]]算法在谱空间中聚类，得到候选划分，并从中选出 EI 较高的结果。