作者：桂。
时间：2017-04-13 07:43:03
链接：http://www.cnblogs.com/xingshansi/p/6702188.html
声明：欢迎被转载，不过记得注明出处哦~
前言
前面分析了非负矩阵分解（NMF）的应用，总觉得NMF与谱聚类（Spectral clustering）的思想很相似，打算分析对比一下。谱聚类更像是基于图（Graph）的思想，其中涉及到一个重要概念就是拉普拉斯矩阵（Laplace matrix），想着先梳理一下这个矩阵：
1）拉普拉斯矩阵基本定义
2）拉普拉斯矩阵意义及性质
3）瑞利熵（Rayleigh quotient）
内容为自己的学习记录，很多地方都借鉴了别人，最后一并给出链接。
一、拉普拉斯矩阵基本定义
对于图G，一般用点的集合V和边的集合E来描述：G（V,E）。现在有这样一个图，如何定义拉普拉斯矩阵呢？这里涉及到两个常用矩阵：邻接矩阵、度矩阵。
从最简单的应用入手，不同数据点相通权重为1，不相通权重为0.
首先求解邻接矩阵W：
将每一列求和，这个数值的对角形式对应就是度矩阵D：
$d_i = \sum\limits_{j=1}^{n}w_{ij}$
写成矩阵形式：
$\mathbf{D} = \left( \begin{array}{ccc} d_1 & \ldots & \ldots \\ \ldots & d_2 & \ldots \\ \vdots & \vdots & \ddots \\ \ldots & \ldots & d_n \end{array} \right)$
从而得到拉普拉斯矩阵L的定义：
$L= D-W$
二、拉普拉斯矩阵意义及性质
不失一般性，$v_i$与$v_j$的权重不再是1而是$w_{ij}$，$f(v_i)$表示节点$v_i$的函数，对应实际应用它可以是一个概率值、一个像素值等等。
对任意向量$f$，
这样一来，拉普拉斯矩阵的意义就比较明显了，它是一种基于欧式距离的测度，如果$w_{ij} = 1$，上式对应就是多有数据点的距离之和，同时也可以看出：D对应二次项，W对应不同一次项相乘。拉普拉斯矩阵是半正定的，且对应的n个实数特征值都大于等于0，即：$0 =\lambda_1 \leq \lambda_2 \leq... \leq \lambda_n$。
三、瑞利熵
提到拉普拉斯矩阵，就不能不提瑞利熵。
A-普通瑞利熵
给出定义：
因为对h幅值进行条件，不会影响R的取值，同时也不会改变h向量的方向，对于一般优化问题（以max为例，其他类似）：
可以转化为拉格朗日乘子问题：
c为常数，即：
可以看出：
- R的最大值就是L最大特征值，R的最小值就是L最小特征值
- h的解，就是L对应的特征向量
是不是很熟悉啊？
- 简单回顾一下主成分分析（PCA）算法：
设p为矩阵A的单位投影矩阵，最大化投影结果：
PCA就是瑞利熵理论的一个应用。
后面分析谱聚类（Spectral clustering），其中RatioCut算法也是瑞利熵的一个应用。
B-泛化瑞利熵
为什么叫泛化呢？对于
可以看到分子是一般形式，而分母是${{h^*}Dh}$在D取单位阵时的特殊情况，将其一般化：
同理可以得到：
适当变形：
这个时候表达式就是：
又回到了普通瑞利熵问题，求解就方便了。
- 简单回顾一下Fisher线性判别分析（Linear discriminant analysis, LDA）算法：
Fisher判别准则函数：
分子分母分别是类内、类间距离。这个准则函数就是泛化瑞利熵的形式。
LDA是泛化瑞利熵的一个应用。
后面分析谱聚类（Spectral clustering），其中NCut算法也是泛化瑞利熵的一个应用。
参考：