Værk af Khatri - Rao

Den aktuelle version af siden er endnu ikke blevet gennemgået af erfarne bidragydere og kan afvige væsentligt fra den version , der blev gennemgået den 14. april 2022; checks kræver 4 redigeringer .

Khatri-Rao-produktet er operationen af matrixmultiplikation defineret af udtrykket [1] [2] :

{\displaystyle \mathbf {A} \ast \mathbf {B} =\left(\mathbf {A} _{ij}\otimes \mathbf {B} _{ij}\right)_{ij))

hvor den -te blok er Kronecker-produktet af de tilsvarende blokke, og forudsat at antallet af rækker og kolonner i begge matricer er ens. Værkets dimension er . $ij$ ${\displaystyle m_{i}p_{i}\otimes n_{j}q_{j))$ ${\mathbf A}$ $\mathbf {B}$ $\sum _{i}{m_{i}p_{i}}\ gange \sum _{j}{n_{j}q_{j}}$

For eksempel, hvis matricerne og har en blokdimension på 2 × 2 : ${\mathbf A}$ $\mathbf {B}$

\mathbf {A} =\venstre[{\begin{array}{c |  c}\mathbf {A} _{11}&\mathbf {A} _{12}\\\hline \mathbf {A} _{21}&\mathbf {A} _{22}\end{array}} \right]=\venstre[{\begin{array}{cc |  c}1&2&3\\4&5&6\\\hline 7&8&9\end{array}}\right]

og ,

\mathbf {B} =\venstre[{\begin{array}{c |  c}\mathbf {B} _{11}&\mathbf {B} _{12}\\\hline \mathbf {B} _{21}&\mathbf {B} _{22}\end{array}} \right]=\venstre[{\begin{array}{c |  cc}1&4&7\\\hline 2&5&8\\3&6&9\end{array}}\right]

derefter:

\mathbf {A} \ast \mathbf {B} =\venstre[{\begin{array}{c |  c}\mathbf {A} _{11}\otimes \mathbf {B} _{11}&\mathbf {A} _{12}\otimes \mathbf {B} _{12}\\\hline \mathbf { A} _{21}\otimes \mathbf {B} _{21}&\mathbf {A} _{22}\otimes \mathbf {B} _{22}\end{array}}\right]=\venstre [{\begin{array}{cc |  cc}1&2&12&21\\4&5&24&42\\\hline 14&16&45&72\\21&24&54&81\end{array}}\right]

Khatri-Rao søjleformet produkt

Kronecker -søjleproduktet af to matricer kaldes også Khatri-Rao-produktet. Dette produkt antager, at blokkene af matricer er deres søjler. I dette tilfælde , og for hver : . Resultatet af produktet er en -matrix, hvis hver kolonne er opnået som Kronecker-produktet af de tilsvarende kolonner af matricerne og . For eksempel for: $m_{1}=m$ $p_{1}=p$ $n=q$ $j$ $n_{j}=p_{j}=1$ $mp\times n$ ${\mathbf A}$ $\mathbf {B}$

\mathbf {C} =\venstre[{\begin{array}{c |  c |  c}\mathbf {C} _{1}&\mathbf {C} _{2}&\mathbf {C} _{3}\end{array}}\right]=\left[{\begin{array} {c |  c |  c}1&2&3\\4&5&6\\7&8&9\end{array}}\right]

\mathbf {D} =\venstre[{\begin{array}{c |  c |  c }\mathbf {D} _{1}&\mathbf {D} _{2}&\mathbf {D} _{3}\end{array}}\right]=\left[{\begin{array} {c |  c |  c }1&4&7\\2&5&8\\3&6&9\end{array}}\right]

kolonne produkt:

\mathbf {C} \ast \mathbf {D} =\venstre[{\begin{array}{c |  c |  c }\mathbf {C} _{1}\otimes \mathbf {D} _{1}&\mathbf {C} _{2}\otimes \mathbf {D} _{2}&\mathbf {C} _ {3}\otimes \mathbf {D} _{3}\end{array}}\right]=\left[{\begin{array}{c |  c |  c }1&8&21\\2&10&24\\3&12&27\\4&20&42\\8&25&48\\12&30&54\\7&32&63\\14&40&72\\\21&48&81\end{array}}\right]

Den søjleformede version af Khatri-Rao-produktet bruges i lineær algebra til analytisk databehandling [3] og optimering af løsninger på det diagonale matrixinversionsproblem [4] [5] ; i 1996 blev det foreslået at bruge det til at beskrive problemet med fælles estimering af ankomstvinklen og forsinkelsestiden for signaler i et digitalt antennearray [6] , samt til at beskrive responsen af en 4-koordinat radar [ 7] .

Slutprodukt

Der er et alternativt koncept for produktet af matricer, som i modsætning til kolonneversionen bruger opdelingen af matricer i rækker [8] - ansigtsopdelingsprodukt [7] [ 9] [ 10] eller Khatri - Rao-transponeret produkt ( Engelsk transponeret Khatri-Rao-produkt ) [11] . Denne type matrixmultiplikation er baseret på Kronecker-rækkeproduktet af to eller flere matricer med det samme antal rækker. For eksempel for:

\mathbf {C} =\left[{\begin{array}{cc}\mathbf {C} _{1}\\\hline \mathbf {C} _{2}\\\hline \mathbf { C} _{3}\\\end{array}}\right]=\left[{\begin{array}{ccc}1&2&3\\\hline 4&5&6\\\hline 7&8&9\end{array}}\right]

\mathbf {D} =\left[{\begin{array}{c}\mathbf {D} _{1}\\\hline \mathbf {D} _{2}\\\hline \mathbf { D} _{3}\\\end{array}}\right]=\left[{\begin{array}{ccc }1&4&7\\\hline 2&5&8\\\hline 3&6&9\end{array}}\right]

kan skrives [7] :

{\displaystyle \mathbf {C} \bullet \mathbf {D} =\venstre[{\begin{array}{c}\mathbf {C} _{1}\nogle gange \mathbf {D} _{1}\\ \hline \mathbf {C} _{2}\otimes \mathbf {D} _{2}\\\hline \mathbf {C} _{3}\otimes \mathbf {D} _{3}\\\end {array}}\right]=\venstre[{\begin{array}{ccccccccc }1&4&7&2&8&14&3&12&21\\\hline 8&20&32&10&25&40&12&30&48\\\hline 21&42&783&4}&8}&42&783&4}&7}&21&30&48\\\hline

Grundlæggende egenskaber

Transponere (1996 [7] [9] [12] ):

\left(\mathbf {A} \bullet \mathbf {B} \right)^{\textsf {T}}={\textbf {A}}^{\textsf {T}}\ast \mathbf { B} ^{\textsf {T}}

Kommutativitet og associativ drift [7] [9] [12] :

{\begin{aligned}\mathbf {A} \bullet (\mathbf {B} +\mathbf {C} )&=\mathbf {A} \bullet \mathbf {B} +\mathbf {A} \ bullet \mathbf {C} ,\\(\mathbf {B} +\mathbf {C} )\bullet \mathbf {A} &=\mathbf {B} \bullet \mathbf {A} +\mathbf {C} \ bullet \mathbf {A} ,\\(k\mathbf {A} )\bullet \mathbf {B} &=\mathbf {A} \bullet (k\mathbf {B} )=k(\mathbf {A} \ bullet \mathbf {B} ),\\(\mathbf {A} \bullet \mathbf {B} )\bullet \mathbf {C} &=\mathbf {A} \bullet (\mathbf {B} \bullet \mathbf {C} ),\\\end{aligned}}

hvor , og er matricer, og er en skalar, ${\mathbf A}$ ${\mathbf A}$ $\mathbf {C}$ $k$

$a\bullet \mathbf {B} =\mathbf {B} \bullet a$ , [12] hvor er en vektor med antallet af elementer lig med antallet af rækker i matrixen , $-en$ $\mathbf {B}$

Den blandede produktegenskab (1997 [12] ):

(\mathbf {A} \bullet \mathbf {B} )\left(\mathbf {A} ^{\textsf {T}}\ast \mathbf {B} ^{\textsf {T}}\right )=\left(\mathbf {A} \mathbf {A} ^{\textsf {T}}\right)\circ \left(\mathbf {B} \mathbf {B} ^{\textsf {T}}\ ret)

(\mathbf {A} \bullet \mathbf {B} )(\mathbf {C} \ast \mathbf {D} )=(\mathbf {A} \mathbf {C} )\circ (\mathbf { B} \mathbf {D} )

[10] ,

(\mathbf {A} \bullet \mathbf {B} \bullet \mathbf {C} \bullet \mathbf {D} )(\mathbf {L} \ast \mathbf {M} \ast \mathbf {N } \ast \mathbf {P} )=(\mathbf {A} \mathbf {L} )\circ (\mathbf {B} \mathbf {M} )\circ (\mathbf {C} \mathbf {N} ) \circ (\mathbf {D} \mathbf {P} )

[11] [13 ]

(\mathbf {A} \ast \mathbf {B} )^{\textsf {T))(\mathbf {A} \ast \mathbf {B} )=(\mathbf {A} ^{\textsf {T}}\mathbf {A} )\circ (\mathbf {B} ^{\textsf {T}}\mathbf {B} )

[14] ,

hvor angiver Hadamard-produktet . $\cirk$

Følgende egenskaber er også opfyldt:

$(\mathbf {A} \circ \mathbf {B} )\bullet (\mathbf {C} \circ \mathbf {D} )=(\mathbf {A} \bullet \mathbf {C} )\circ (\mathbf {B} \bullet \mathbf {D} )$ [12] ,
$\mathbf {A} \otimes (\mathbf {B} \bullet \mathbf {C} )=(\mathbf {A} \otimes \mathbf {B} )\bullet \mathbf {C}$ [7] ,
$(\mathbf {A} \otimes \mathbf {B} )(\mathbf {C} \ast \mathbf {D} )=(\mathbf {A} \mathbf {C} )\ast (\mathbf { B} \mathbf {D} )$ [14] ,
$(\mathbf {A} \bullet \mathbf {B} )(\mathbf {C} \otimes \mathbf {D} )=(\mathbf {A} \mathbf {C} )\bullet (\mathbf { B} \mathbf {D} )$ [13] ,

$(\mathbf {A} \bullet \mathbf {L} )(\mathbf {B} \otimes \mathbf {M} )\dots (\mathbf {C} \otimes \mathbf {S} )=(\ mathbf {A} \mathbf {B} \dots \mathbf {C} )\bullet (\mathbf {L} \mathbf {M} ...\mathbf {S} )$ ,
$c^{\textsf {T}}\bullet d^{\textsf {T}}=c^{\textsf {T}}\nogle gange d^{\textsf {T}}$ [12] ,
$c\ast d=c\otimes d$ , hvor og er vektorer med ensartet dimension, $c$ $d$
$(\mathbf {A} \ast c^{\textsf {T)))d=(\mathbf {A} \ast d^{\textsf {T)))c$ [15] ,, $d^{\textsf {T}}(c\bullet \mathbf {A} ^{\textsf {T}})=c^{\textsf {T}}(d\bullet \mathbf {A} ^ {\textsf {T)))$
$(\mathbf {A} \bullet \mathbf {B} )(c\otimes d)=(\mathbf {A} c)\circ (\mathbf {B} d)$ [16] , hvoroger vektorer af ensartet dimension (følger af egenskab 3 og 8), $c$ $d$
$(\mathbf {A} \bullet \mathbf {B} )(\mathbf {M} \mathbf {N} c\otimes \mathbf {Q} \mathbf {P} d)=(\mathbf {A} \mathbf {M} \mathbf {N} c)\circ (\mathbf {B} \mathbf {Q} \mathbf {P} d)$ ,
${\mathcal {W}}(C^{(1)}x\star C^{(2)}y)=({\mathcal {W}}C^{(1)}\bullet {\ matematisk {W}}C^{(2)})(x\nogle gange y)={\mathcal {W}}C^{(1)}x\circ {\mathcal {W}}C^{(2) }y$ ,

hvor er matrixen for den diskrete Fourier-transformation , er vektorfoldningssymbolet ( identiteten følger af egenskaberne for referenceskitsen [17] ), ${\mathcal {W}}$ $\star$

$\mathbf {A} \bullet \mathbf {B} =(\mathbf {A} \otimes \mathbf {1_{c}} ^{\textsf {T}})\circ (\mathbf {1_{k )) ^{\textsf {T}}\otimes \mathbf {B} )$ [18] , hvor eren matrix,eren matrix, , er vektorer afhhv. $\mathbf {A}$ $r\times c$ $\mathbf {B}$ $r\times k$ $\mathbf {1_{c}}$ $\mathbf {1_{k}}$ $c$ $k$
$\mathbf {M} \bullet \mathbf {M} =(\mathbf {M} \otimes \mathbf {1} ^{\textsf {T)))\circ (\mathbf {1} ^{\textsf {T}}\otimes \mathbf {M} )$ [19] , hvor eren matrix,er Hadamard-produktet oger en vektor afenheder. $\mathbf {M}$ $r\times c$ $\cirk$ $\mathbf {1}$ $c$
$\mathbf {M} \bullet \mathbf {M} =\mathbf {M} [\circ ](\mathbf {M} \otimes \mathbf {1} ^{\textsf {T)))$ , hvor er symbolet for det gennemtrængende slutprodukt af matricer. $[\circ ]$

I analogi, hvor er en matrix, er en matrix, $\mathbf {P} \ast \mathbf {N} =(\mathbf {P} \otimes \mathbf {1_{c}} )\circ (\mathbf {1_{k}} \otimes \mathbf {N } )$ $\mathbf {P}$ $c\times r$ $\mathbf {N}$ $k\ gange r$

$\mathbf {W_{d)) \mathbf {A} =\mathbf {w} \bullet \mathbf {A}$ [12] ,
$vec((\mathbf {w} ^{\textsf {T}}\ast \mathbf {A} )\mathbf {B} )=(\mathbf {B} ^{\textsf {T}}\ast \mathbf {A} )\mathbf {w}$ [10] ,
$vec(\mathbf {A} (\mathbf {w} \bullet \mathbf {B} ))=(\mathbf {B} ^{\textsf {T}}\ast \mathbf {A} )\mathbf {w}$ [11] ,
$vec(\mathbf {A} ^{\textsf {T}}\mathbf {W_{d}} \mathbf {A} )=(\mathbf {A} \bullet \mathbf {A} )^{\ textsf {T}}\mathbf {w}$ [19] ,
$vec(\mathbf {A} \mathbf {W_{d}} \mathbf {A} ^{\textsf {T}})=(\mathbf {A} ^{\textsf {T}}\bullet \ mathbf {A} ^{\textsf {T)))^{\textsf {T}}\mathbf {w} =(\mathbf {A} \ast \mathbf {A} )\mathbf {w}$ ,

hvor er en vektor dannet ud fra de diagonale elementer i matrixen , er operationen med at danne en vektor ud fra en matrix ved at placere dens søjler under hinanden. $\mathbf {w}$ $\mathbf {W_{d}}$ $vec(\mathbf {A} )$ $\mathbf {A}$

Kronecker-produktets absorptionsegenskab:

(\mathbf {A} \bullet \mathbf {L} )(\mathbf {B} \otimes \mathbf {M} )...(\mathbf {C} \otimes \mathbf {S} )(\ mathbf {K} \ast \mathbf {T} )=(\mathbf {A} \mathbf {B} ...\mathbf {C} \mathbf {K} )\circ (\mathbf {L} \mathbf {M } ...\mathbf {S} \mathbf {T} )

[10] [13]

(\mathbf {A} \bullet \mathbf {L} )(\mathbf {B} \otimes \mathbf {M} )...(\mathbf {C} \otimes \mathbf {S} )(c \otimes d)=(\mathbf {A} \mathbf {B} ...\mathbf {C} c)\circ (\mathbf {L} \mathbf {M} ...\mathbf {S} d)

(\mathbf {A} \bullet \mathbf {L} )(\mathbf {B} \otimes \mathbf {M} )...(\mathbf {C} \otimes \mathbf {S} )(\ mathbf {P} c\otimes \mathbf {Q} d)=(\mathbf {A} \mathbf {B} ...\mathbf {C} \mathbf {P} c)\circ (\mathbf {L} \ mathbf {M} ...\mathbf {S} \mathbf {Q} d)

hvor og er vektorer af ensartet dimension. $c$ $d$

For eksempel [16] :

{\begin{aligned}\\&\quad \left({\begin{bmatrix}1&0\\0&1\\1&0\end{bmatrix}}\bullet {\begin{bmatrix}1&0\\1&0\\ 0&1\end{bmatrix}}\right)\left({\begin{bmatrix}1&1\\1&-1\end{bmatrix}}\nogle gange {\begin{bmatrix}1&1\\1&-1\end{bmatrix} }\right)\left({\begin{bmatrix}\sigma _{1}&0\\0&\sigma _{2}\\\end{bmatrix))\nogle gange {\begin{bmatrix}\rho _{1 }&0\\0&\rho _{2}\\\end{bmatrix}}\right)\left({\begin{bmatrix}x_{1}\\x_{2}\end{bmatrix}}\ast { \begin{bmatrix}y_{1}\\y_{2}\end{bmatrix}}\right)\\[5pt]&\quad =\left({\begin{bmatrix}1&0\\0&1\\1&0\ end{bmatrix}}\bullet {\begin{bmatrix}1&0\\1&0\\0&1\end{bmatrix}}\right)\left({\begin{bmatrix}1&1\\1&-1\end{bmatrix}} {\begin{bmatrix}\sigma _{1}&0\\0&\sigma _{2}\\\end{bmatrix)){\begin{bmatrix}x_{1}\\x_{2}\end{bmatrix }}\,\nogle gange \,{\begin{bmatrix}1&1\\1&-1\end{bmatrix}}{\begin{bmatrix}\rho _{1}&0\\0&\rho _{2}\\ \end{bmatrix}}{\begin{bmatrix}y_{1}\\y_{2}\end{bmatrix}}\right)\\[5pt]&\quad ={\begin{bmatrix}1&0\\0&1 \\1&0\end{bmatrix}}{\begin{bmatrix}1&1\\1&-1\end{bm  atrix}}{\begin{bmatrix}\sigma _{1}&0\\0&\sigma _{2}\\\end{bmatrix}}{\begin{bmatrix}x_{1}\\x_{2}\ end{bmatrix}}\,\circ \,{\begin{bmatrix}1&0\\1&0\\0&1\end{bmatrix}}{\begin{bmatrix}1&1\\1&-1\end{bmatrix}}{\ start{bmatrix}\rho _{1}&0\\0&\rho _{2}\\\end{bmatrix}}{\begin{bmatrix}y_{1}\\y_{2}\end{bmatrix}} .\end{aligned}}

Sætning [16]

Hvis , hvor er uafhængige inklusioner af matrixen, der indeholder rækker , sådan at og ,

{\displaystyle M=T^{(1)}\bullet \dots \bullet T^{(c)))

{\displaystyle T^{(1)},\dots,T^{(c)))

T

{\displaystyle T_{1},\dots ,T_{m}\in \mathbb {R} ^{d))

E[(T_{1}x)^{2}]=\|x\|_{2}^{2}

E[(T_{1}x)^{p}]^{1/p}\leq {\sqrt {ap}}\|x\|_{2}

derefter med sandsynlighed for enhver vektor, hvis antallet af rækker

{\displaystyle |\|Mx\|_{2}-\|x\|_{2}|<\varepsilon \|x\|_{2))

1-\delta

x

{\displaystyle m=(4a)^{2c}\varepsilon ^{-2}\log 1/\delta +(2ae)\varepsilon ^{-1}(\log 1/\delta )^{c))

Især hvis elementerne i matricen er tal , kan man opnå , som for små værdier er i overensstemmelse med grænseværdien for Johnson-Lindenstrauss distributionslemma. $T$ $\pm 1$ $m=O(\varepsilon ^{-2}\log 1/\delta +\varepsilon ^{-1}({\tfrac {1}{c))\log 1/\delta )^{c} )$ $\varepsilon$ $m=O(\varepsilon ^{-2}\log 1/\delta )$

Bloker slutprodukt

For blokmatricer med det samme antal kolonner i de respektive blokke:

\mathbf {A} =\venstre[{\begin{array}{c |  c}\mathbf {A} _{11}&\mathbf {A} _{12}\\\hline \mathbf {A} _{21}&\mathbf {A} _{22}\end{array}} \ret]

\mathbf {B} =\venstre[{\begin{array}{c |  c}\mathbf {B} _{11}&\mathbf {B} _{12}\\\hline \mathbf {B} _{21}&\mathbf {B} _{22}\end{array}} \ret]

ifølge definitionen [7] kan blokslutproduktet skrives som: $\mathbf {A} [\bullet ]\mathbf {B}$

\mathbf {A} [\bullet ]\mathbf {B} =\venstre[{\begin{array}{c |  c}\mathbf {A} _{11}\bullet \mathbf {B} _{11}&\mathbf {A} _{12}\bullet \mathbf {B} _{12}\\\hline \mathbf { A} _{21}\bullet \mathbf {B} _{21}&\mathbf {A} _{22}\bullet \mathbf {B} _{22}\end{array}}\right]

Tilsvarende gælder følgende forhold for et bloktransponeret slutprodukt (eller et blokkolonneprodukt Khatri - Rao ) af to matricer med det samme antal kolonner i de tilsvarende blokke [7] : $\mathbf {A} [\ast ]\mathbf {B}$

\mathbf {A} [\ast ]\mathbf {B} =\venstre[{\begin{array}{c |  c}\mathbf {A} _{11}\ast \mathbf {B} _{11}&\mathbf {A} _{12}\ast \mathbf {B} _{12}\\\hline \mathbf { A} _{21}\ast \mathbf {B} _{21}&\mathbf {A} _{22}\ast \mathbf {B} _{22}\end{array}}\right]

Transponeringsegenskaben udføres [13] :

\left(\mathbf {A} [\ast ]\mathbf {B} \right)^{\textsf {T}}={\textbf {A}}^{\textsf {T}}[\bullet ]\mathbf {B} ^{\textsf {T}}

Ansøgninger

Familien af slutprodukter af matricer bruges i tensor-matrix-teorien for digitale antennearrays til radiotekniske systemer [11] .

Slutproduktet er blevet udbredt i maskinlæringssystemer, statistisk behandling af big data [16] . Det giver dig mulighed for at reducere mængden af beregninger, når du implementerer datadimensionalitetsreduktionsmetoden, kaldet tensorskitsen [16] såvel som den hurtige Johnson-Lindenstrauss-transformation [16] . I dette tilfælde udføres overgangen fra den oprindelige fremspringende matrix til Hadamard-produktet , som opererer med matricer af en mindre dimension. Approksimationsfejlen for højdimensionelle data baseret på slutproduktet af matricer svarer til det lille forvrængningslemma [16] [20] . I denne sammenhæng kan ideen om slutproduktet bruges til at løse det differentielle privatlivsproblem [ 15 ] . Derudover er lignende beregninger blevet anvendt til at danne co-forekomst tensorer i naturlig sprogbehandling og billedlighedshypergrafer [21] .

Slutproduktet bruges til P-spline-tilnærmelse [18] , opbygning af generaliserede lineære modeller af dataarrays (GLAM) under deres statistiske behandling [19] og kan bruges til effektivt at implementere kernemetoden til maskinlæring , såvel som at studere interaktion af genotyper med miljøet. [22]

Se også

Tensor skitse[ afklare ]
Lille forvrængning Lemma[ afklare ]

Noter

↑ Khatri CG, CR Rao . Løsninger til nogle funktionelle ligninger og deres anvendelser til karakterisering af sandsynlighedsfordelinger (engelsk) // Sankhya : journal. - 1968. - Bd. 30 . - S. 167-180 . Arkiveret fra originalen den 23. oktober 2010.
↑ Zhang X; Yang Z & Cao C. (2002), Uligheder, der involverer Khatri-Rao-produkter af positive semi-definite matricer, Applied Mathematics E-notes bind 2: 117-124
↑ Se fx HD Macedo og JN Oliveira. En lineær algebra tilgang til OLAP . Formal Aspects of Computing, 27(2):283-307, 2015.
↑ Lev-Ari, Hanoch. Effektiv løsning af lineære matrixligninger med anvendelse på multistatisk antennearraybehandling // Kommunikation i information og systemer. - 2005. - 1. januar ( bind 05 , nr. 1 ). - S. 123-130 . — ISSN 1526-7555 . - doi : 10.4310/CIS.2005.v5.n1.a5 .
↑ Masiero, B.; Nascimento, VH Revisiting the Kronecker Array Transform // IEEE Signal Processing Letters. - 2017. - 1. maj ( bind 24 , nr. 5 ). - S. 525-529 . — ISSN 1070-9908 . - doi : 10.1109/LSP.2017.2674969 . - .
↑ Vanderveen, MC, Ng, BC, Papadias, CB, & Paulraj, A. (n.d.). Samlevinkel og forsinkelsesestimation (JADE) for signaler i flervejsmiljøer . Konferenceoptegnelse fra den tredivte Asilomar-konference om signaler, systemer og computere. — DOI:10.1109/acssc.1996.599145
↑ 1 2 3 4 5 6 7 8 Slyusar, VI (27. december 1996). "Slutprodukter i matricer i radarapplikationer" (PDF) . Radioelectronics and Communications Systems.– 1998, Vol. 41; Nummer 3 : 50-53. Arkiveret (PDF) fra originalen 2020-07-27 . Hentet 2020-07-27 . Forældet parameter brugt |deadlink=( hjælp )
↑ Anna Esteve, Eva Boj & Josep Fortiana (2009): Interaction Terms in Distance-Based Regression, Communications in Statistics - Theory and Methods, 38:19, S. 3501 [1] Arkiveret 26. april 2021 på Wayback Machine
↑ 1 2 3 Slyusar, VI Analytisk model af det digitale antennearray på basis af face-splittende matrixprodukter // Proc . ICATT-97, Kiev: tidsskrift. - 1997. - 20. maj. - S. 108-109 .
↑ 1 2 3 4 Slyusar, VI (1999). "En familie af ansigtsprodukter af matricer og dens egenskaber" (PDF) . Cybernetik og systemanalyse C/C af Cybernetika I Sistemnyi Analiz . 35 (3): 379-384. DOI : 10.1007/BF02733426 . Arkiveret fra originalen (PDF) den 25. januar 2020 . Hentet 12. juli 2020 .
↑ 1 2 3 4 Minochkin A. I., Rudakov V. I., Slyusar V. I. Grundlæggende om militær-teknisk forskning. Teori og anvendelser. Bind. 2. Syntese af midler til informationsstøtte til våben og militært udstyr // Red. A. P. Kovtunenko. - Kiev: "Granmna". - 2012. C. 7 - 98; 354 - 521 (2012). Hentet 12. juli 2020. Arkiveret fra originalen 25. januar 2020. (ubestemt)
↑ 1 2 3 4 5 6 7 Slyusar, VI (1997-09-15). "Nye operationer af matricer produkt til applikationer af radarer" (PDF) . Proc. Direkte og omvendte problemer med elektromagnetisk og akustisk bølgeteori (DIPED-97), Lviv. : 73-74. Arkiveret (PDF) fra originalen 2020-01-25 . Hentet 2020-07-12 . Forældet parameter brugt |deadlink=( hjælp )
↑ 1 2 3 4 5 Vadym Slyusar. Ny Matrix Operations for DSP (Foredrag). april 1999. - DOI: 10.13140/RG.2.2.31620.76164/1
↑ 1 2 C. Radhakrishna Rao . Estimation of Heteroskedastic Variances in Linear Models.//Journal of the American Statistical Association, Vol. 65, nr. 329 (Mar., 1970), s. 161-172
↑ 1 2 Kasiviswanathan, Shiva Prasad, et al. "Prisen for privat udgivelse af beredskabstabeller og spektrene af tilfældige matricer med korrelerede rækker." Proceedings af det 42. ACM-symposium om teori om computing. 2010.
↑ 1 2 3 4 5 6 7 Ahle, Thomas; Knudsen, Jakob Næsten Optimal Tensor Sketch . [ [2] ] (3. september 2019). Hentet 11. juli 2020. Arkiveret fra originalen 14. juli 2020. (ubestemt)
↑ Ninh, Pham; Rasmus, Pagh (2013). Hurtige og skalerbare polynomielle kerner via eksplicitte feature maps . SIGKDD international konference om videnopdagelse og datamining. Foreningen for Datamaskiner. DOI : 10.1145/2487575.2487591 .
↑ 12 Eilers , Paul H.C.; Marx, Brian D. (2003). "Multivariat kalibrering med temperaturinteraktion ved hjælp af todimensionel straffet signalregression". Kemometri og intelligente laboratoriesystemer . 66 (2): 159&ndash, 174. DOI : 10.1016/S0169-7439(03)00029-7 .
↑ 1 2 3 Currie, ID; Durban, M.; Eilers, PHC (2006). "Generaliserede lineære array-modeller med applikationer til multidimensionel udjævning". Journal of the Royal Statistical Society . 68 (2): 259&ndash, 280. DOI : 10.1111/j.1467-9868.2006.00543.x .
↑ Ahle, Thomas; Kapralov, Michael; Knudsen, Jacob; Pagh, Rasmus; Velingker, Ameya; Woodruff, David; Zandieh, Amir (2020). Uvidende skitsering af højgradspolynomiske kerner . ACM-SIAM symposium om diskrete algoritmer. Foreningen for Datamaskiner. DOI : 10.1137/1.9781611975994.9 .
↑ Bryan Bischoff. Højere ordens co-forekomst tensorer til hypergrafer via ansigtsdeling. Udgivet 15. februar 2020, Mathematics, Computer Science, ArXiv Arkiveret 25. november 2020 på Wayback Machine
↑ Johannes WR Martini, Jose Crossa, Fernando H. Toledo, Jaime Cuevas. Om Hadamard og Kronecker produkter i kovariansstrukturer for genotype x miljøinteraktion.//Plant Genome. 2020;13:e20033. Side 5. [3]

Litteratur

Khatri CG, CR Rao. Løsninger til nogle funktionelle ligninger og deres anvendelser til karakterisering af sandsynlighedsfordelinger (engelsk) // Sankhya : journal. - 1968. - Bd. 30 . - S. 167-180 . Arkiveret fra originalen den 23. oktober 2010.
Zhang X; Yang Z & Cao C. (2002), Uligheder, der involverer Khatri-Rao-produkter af positive semi-definite matricer, Applied Mathematics E-notes bind 2: 117-124
Matrix Algebra og dens anvendelser til statistik og økonometri./CR Rao med M. Bhaskara Rao. — World Scientific. - 1998. - S. 216.