中文

随机和的复零点密度

神经与进化计算 2019-10-14 v1 机器学习

摘要

{ηj}j=0N\{\eta_{j}\}_{j = 0}^{N} 为独立同分布的随机复高斯变量序列,设 {fj(z)}j=0N\{f_{j} (z)\}_{j = 0}^{N} 为给定且在实数轴上取实值的解析函数序列。我们证明了随机方程 j=0Nηjfj(z)=K\sum_{j = 0}^{N} \eta_{j} f_{j} (z) = \mathbf{K} (其中 K\mathdsC\mathbf{K} \in \mathds{C}) 的复零点分布期望密度的一个精确公式。证明方法运用了高斯随机变量二次型期望绝对值的一个公式。随后我们得到当 NN 趋于无穷时密度函数的极限行为,并对某些函数 fj(z)f_{j} (z) 下的密度函数与经验分布给出数值计算。最后,我们研究了 fj(z)f_{j} (z) 为实数轴与单位圆上正交多项式的情形。

关键词

引用

@article{arxiv.1910.05268,
  title  = {Improving Gradient Estimation in Evolutionary Strategies With Past Descent Directions},
  author = {Florian Meier and Asier Mujika and Marcelo Matheus Gauy and Angelika Steger},
  journal= {arXiv preprint arXiv:1910.05268},
  year   = {2019}
}