Próbuję napisać funkcję, która generuje równomiernie rozłożony hałas pochodzący z kuli p-norm o wymiarach :
Znalazłem możliwe rozwiązania dla kręgów ( ) ( http://mathworld.wolfram.com/DiskPointPicking.html ), jednak mam problem z rozszerzeniem tego dla różnych wartości .
Próbowałem to zrobić, po prostu losując próbkę z jednolitego rozkładu i przerysowując, gdy nie spełnia ona określonego ograniczenia. Jednak oprócz tego, że jest to brzydkie rozwiązanie, staje się również niewykonalne obliczeniowo w przypadku dużych wymiarów.
simulation
noise
Taeke de Haan
źródło
źródło
Odpowiedzi:
Pełne rozwiązanie znalazłem w dokumencie sugerowanym przez kjetil b halvorsen ( https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=758215 ). Naprawdę mam problem ze zrozumieniem matematyki, ale ostateczny algorytm jest dość prosty. jeśli mamy wymiarów, promień ri norma p niż:n r p
1) generuj niezależnych losowych rzeczywistych skalarów ε i = ˉ G ( 1 / p , p ) , gdzie ˉ G ( μ , σ 2 ) jest uogólnionym rozkładem Gaussa (o innej mocy zamiast wykładnika e - | x | p zamiast tego po prostu p = 2 )n εi=G¯(1/p,p) G¯(μ,σ2) e−|x|p p=2
2) konstruować wektor składników s i ∗ ε i , gdzie s i są niezależnymi losowymi znakamix si∗εi si
3) Wygeneruj , gdzie jest zmienną losową równomiernie rozmieszczoną w przedziale [0, 1].z=w1/n w
4) returny=rzx||x||p
źródło
Korzystanie z jednorodnie rozmieszczonych zmiennych wielowymiarowych
Taeke zapewnia link do artykułu, który w poniższym tekście jest bardziej intuicyjny, wyjaśniając w szczególności przypadki 2-normalne i 1-normowe.
przykładowy kierunek
Możesz użyć tego wyniku http://mathworld.wolfram.com/HyperspherePointPicking.html
Wielowymiarowa zmienna rozkładowa Gaussa (z macierzą kowariancji tożsamości) zależy tylko od odległości lub sumy kwadratów.X
Zatem jest równomiernie rozmieszczony na powierzchni n-wymiarowej hipersfery.X∥ X∥2)
odległość próbki
Aby ukończyć, wystarczy próbkować odległość, aby zmienić jednorodny rozkład na kuli na jednorodny rozkład w kuli. (który jest mniej więcej podobny do połączonego przykładu wybierania punktów na dysku)
Jeśli po prostu spróbujesz jako rozkład równomierny, będziesz mieć stosunkowo większą gęstość w pobliżu środka (objętość skaluje się jako więc ułamek punktów kończy się na objętości , która jest bardziej gęsta blisko centrum i nie oznaczałoby równomiernego rozkładu)r n r r nr rn r rn
Jeśli zamiast tego użyjesz pierwiastka zmiennej próbkowanej z rozkładu jednolitego, otrzymasz rozkład parzysty.n
1-norm∥ x ∥1≤ r
kierunek
W tym przypadku próbkujesz z rozkładu Laplace'a zamiast rozkładu Gaussa i dzielisz przez 1-normę. równomiernie rozmieszczone na n-wymiarowej norma 1 kuli.XX X| X|1
Nie mam formalnego dowodu, tylko intuicję
(ponieważ plik pdf jest niezależny od położenia, można oczekiwać, że każdy nieskończenie mały obszar / objętość o tej samej 1-normie będzie miał takie samo prawdopodobieństwo a gdy zwiniesz go na powierzchnię jednostki, to samo )f ( x ) d Afa( x ) dV. fa( x ) dZA
ale testowanie za pomocą symulacji wygląda dobrze.
dystans
Odległość jest podobna jak w przypadku 2-normowym (głośność nadal skaluje się jako ).rn
p-norm∥x∥p≤r
W takim przypadku, jeśli chcesz zastosować tę samą zasadę, musisz próbkować z dystrybucji za pomocą ( ). Są to uogólnione rozkłady normalne i prawdopodobnie odnoszą się do rozkładu wspomnianego przez Taeke.f(x)∝e|x|p G()
źródło