随机拓扑网络生成特征向量的随机性

@文章{1979年ONTR Silverste,title={关于由随机拓扑网络生成的特征向量的随机性},author={Jack W.Silverstein},journal={暹罗应用数学杂志},年份={1979},体积={37},页数={235-245},网址={https://api.semanticscholar.org/CorpusID:18545426}}
出生时生成神经连接的模型导致了对W的研究,W是一个定义在有限但非常大的维欧氏空间上的随机、对称、非负定线性算子[1]。随着维数的增加,W特征值谱上的极限定律得到了证明,这意味着W的实现(与物种中的生物相鉴别)在微观层面上看起来完全不同,但具有几乎相同的光谱密度。本文认为

本文中的数字

用正交群上的测度序列描述随机矩阵特征向量的行为

以前曾对一类n维随机矩阵的特征向量的混沌行为进行过推测,其中n非常大[J.Silverstein,SIAM J.Appl.Math.,37(1979),

基于Oseldec矩阵特征向量的混沌吸引子统计分解——主动和被动信息动力学

求和从Oseledec矩阵的特征向量分布中提取运动方程的物理变量或坐标的相关集合。这些坐标表征

样本协方差矩阵特征向量定义的随机函数的弱收敛性

设{vij},i,j=1,2,。。。,E(v 4 11)0为n的i.i.d.对称随机变量→ ∞. 用O n∧n O T n表示Mn的谱分解。通过Xn(t)=√n/2∑[nt]定义X∈D[0,1]

大维随机矩阵谱分析方法综述

本文简要回顾了大维随机矩阵的谱分析理论。文献中的大多数现有工作都是针对实矩阵进行的,但

由大维随机矩阵特征向量定义的随机函数集的弱收敛性

对于每个n,设Un是分布在n×n酉矩阵群上的Haar。设xn,1,xn,m表示Cn中的正交非随机单位向量,设un,k=(uk,…,un k)*=u*nxn,k,k

无线通信的随机矩阵方法:在无线通信中的应用

本书介绍了随机矩阵理论,并展示了它如何用于解决无线通信中的各种问题,包括CDMA、MIMO和多小区网络的性能分析,以及认知无线电网络中的信号检测和估计。

无监督学习的交叉验证

本文讨论了交叉验证对无监督学习的一些扩展,特别是关注选择保留多少主成分的问题,并介绍了潜在因素模型这一客观标准,并展示了如何使用CV来估计数据集的内在维度。

随机拓扑网络的谱分析

介绍了一类神经模型,其中神经网络的拓扑由受控概率模型生成。结果表明,得到的线性算子具有谱

渐近法在神经网络中的应用

提出了一个神经处理的数学模型,该模型结合了信息存储理论,支持使用突触修饰的记忆分配理论。