Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1512.00379

帮助 | 高级搜索

统计学 > 计算

arXiv:1512.00379 (stat)
[提交于 2015年12月1日 (v1) ,最后修订 2019年11月19日 (此版本, v11)]

标题: 非均匀康托分布的最佳量化

标题: Optimal quantization for nonuniform Cantor distributions

Authors:Lakshmi Roychowdhury
摘要: 设 $P$ 是 $\mathbb R$ 上的一个博雷尔概率测度,并且满足 $P=\frac 1 4 P\circ S_1^{-1} +\frac 3 4 P\circ S_2^{-1}$,其中 $S_1$ 和 $S_2$ 是 $\mathbb R$ 上的两个相似映射,使得 $S_1(x)=\frac 1 4 x $ 并且 $S_2(x)=\frac 1 2 x +\frac 12$ 对所有 $x\in \mathbb R$ 成立。 这样的概率测度 $P$ 的支集是通过 $S_1$ 和 $S_2$ 生成的康托尔集。 对于这个概率测度,本文给出了一个归纳公式,用于确定所有 $n\geq 2$ 的 $n$-均值的最佳集合和第 $n$ 阶量化误差。 我们已经证明,相同的归纳公式同样适用于康托分布 $P:=\psi^2 P\circ S_1^{-1} +\psi^4 P\circ S_2^{-1}$,该分布由康托集生成元 $S_1(x)=\frac 13x$ 和 $S_2(x)=\frac 13 x+\frac 23$(对于所有 $x\in \mathbb R$)支撑,其中 $\psi$ 是黄金比例的平方根 $\frac 12(\sqrt 5-1)$。 此外,我们给出了一个反例,以表明该归纳公式并非适用于所有康托分布。 利用该归纳公式,我们得到了一些结果和观察,这些内容也在本文中给出。
摘要: Let $P$ be a Borel probability measure on $\mathbb R$ such that $P=\frac 1 4 P\circ S_1^{-1} +\frac 3 4 P\circ S_2^{-1}$, where $S_1$ and $S_2$ are two similarity mappings on $\mathbb R$ such that $S_1(x)=\frac 1 4 x $ and $S_2(x)=\frac 1 2 x +\frac 12$ for all $x\in \mathbb R$. Such a probability measure $P$ has support the Cantor set generated by $S_1$ and $S_2$. For this probability measure, in this paper, we give an induction formula to determine the optimal sets of $n$-means and the $n$th quantization errors for all $n\geq 2$. We have shown that the same induction formula also works for the Cantor distribution $P:=\psi^2 P\circ S_1^{-1} +\psi^4 P\circ S_2^{-1}$ supported by the Cantor set generated by $S_1(x)=\frac 13x$ and $S_2(x)=\frac 13 x+\frac 23$ for all $x\in \mathbb R$, where $\psi$ is the square root of the Golden ratio $\frac 12(\sqrt 5-1)$. In addition, we give a counter example to show that the induction formula does not work for all Cantor distributions. Using the induction formula we obtain some results and observations which are also given in this paper.
主题: 计算 (stat.CO)
MSC 类: 60Exx, 28A80, 94A34
引用方式: arXiv:1512.00379 [stat.CO]
  (或者 arXiv:1512.00379v11 [stat.CO] 对于此版本)
  https://doi.org/10.48550/arXiv.1512.00379
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Lakshmi Roychowdhury [查看电子邮件]
[v1] 星期二, 2015 年 12 月 1 日 18:34:30 UTC (13 KB)
[v2] 星期二, 2016 年 1 月 19 日 18:54:22 UTC (13 KB)
[v3] 星期五, 2016 年 2 月 19 日 19:07:31 UTC (63 KB)
[v4] 星期三, 2016 年 3 月 2 日 15:02:38 UTC (63 KB)
[v5] 星期四, 2016 年 4 月 7 日 05:42:25 UTC (64 KB)
[v6] 星期一, 2016 年 6 月 13 日 18:42:38 UTC (64 KB)
[v7] 星期日, 2016 年 11 月 20 日 18:57:41 UTC (65 KB)
[v8] 星期日, 2018 年 1 月 28 日 20:57:46 UTC (95 KB)
[v9] 星期四, 2019 年 11 月 14 日 06:49:14 UTC (95 KB)
[v10] 星期一, 2019 年 11 月 18 日 16:31:32 UTC (94 KB)
[v11] 星期二, 2019 年 11 月 19 日 05:10:14 UTC (94 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.CO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2015-12
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号