48
个编辑
更改
跳到导航
跳到搜索
第18行：
第18行： − + − [math]+ − [/math]+ 第67行：
第67行： − + + + +
无编辑摘要
大家理解的线代里的rank秩的定义是看矩阵中的线性无关的行向量的数量，但是这里对秩的理解是从一种类似于信道的概念。
大家理解的线代里的rank秩的定义是看矩阵中的线性无关的行向量的数量，但是这里对秩的理解是从一种类似于信道的概念。
秩的定义为我们能找到的一组概率密度函数 [math]f_1, ... , f_r, g_1, ... , g_r[/math]，使得r在下列公式里最小：
秩的定义为我们能找到的一组概率密度函数 <math>f_1, ... , f_r, g_1, ... , g_r</math>，使得r在下列公式里最小：
<math>
P(X_{t+1} | X_{t}) = \sum^r_{k=1} f_k(X_t) g_k(X_{t+1})
P(X_{t+1} | X_{t}) = \sum^r_{k=1} f_k(X_t) g_k(X_{t+1})
</math>
这里的秩的意思是，我们能多大程度上压缩信道，使得信息在宽度为秩的信道中无损传递。（笔者个人理解）
这里的秩的意思是，我们能多大程度上压缩信道，使得信息在宽度为秩的信道中无损传递。（笔者个人理解）
#获取r<n 的马尔科夫秩，或指定一个r；
#获取r<n 的马尔科夫秩，或指定一个r；
#对P进行SVD分解，[math]P = U \Sigma V^T[/math]，其中U为左奇异向量，V为右奇异向量。
#对P进行SVD分解，[math]P = U \Sigma V^T[/math]，其中U为左奇异向量，V为右奇异向量。
#<br />
#通过下列公式得到最优partition
#
（未完待续）
（未完待续）
<references />
<references />