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:1512.00379v8

帮助 | 高级搜索

统计学 > 计算

arXiv:1512.00379v8 (stat)
[提交于 2015年12月1日 (v1) ,修订后的 2018年1月28日 (此版本, v8) , 最新版本 2019年11月19日 (v11) ]

标题: 非均匀康托尔分布的最优量化

标题: Optimal quantization for nonuniform Cantor distributions

Authors:Lakshmi Roychowdhury
摘要: 设 $P$ 是 $\mathbb R$ 上的一个Borel概率测度,使得 $P=\frac 1 4 P\circ S_1^{-1} +\frac 3 4 P\circ S_2^{-1}$,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 $ 和 $S_2(x)=\frac 1 2 x +\frac 12$ 对所有 $x\in \mathbb R$ 成立。 这样的概率测度$P$的支集是由$S_1$和$S_2$生成的康托尔集。 对于这个概率测度,本文中,我们给出了一个递推公式来确定所有$n\geq 2$的$n$-均值的最优集以及第$n$次量化误差。 我们已经证明,相同的归纳公式也适用于由$S_1(x)=\frac 13x$和$S_2(x)=\frac 13 x+\frac 23$生成的 Cantor 集支持的 Cantor 分布$P:=\psi^2 P\circ S_1^{-1} +\psi^4 P\circ S_2^{-1}$,对于所有$x\in \mathbb R$,其中$\psi$是黄金分割比的平方根$\frac 12(\sqrt 5-1)$。 此外,我们给出一个反例以说明归纳公式并不适用于所有 Cantor 分布。 利用归纳公式,我们得到了一些结果和观察,这些结果和观察也在此论文中给出。
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:1512.00379v8 [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
  • 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