图神经网络基础一:傅里叶级数与傅里叶变换 (5)

    $\begin{array}{l}f(t)&=\underset{\omega \rightarrow  0}{lim}  \sum \limits _{n=-\infty}^{+\infty} \frac{\omega}{2 \pi} \int_{-\infty}^{+\infty} f(t) e^{-i n \omega t} \mathrm{~d} t \cdot e^{i \pi \omega t} \\&=\int_{-\infty}^{+\infty} \frac{1}{2 \pi}\left(\int_{-\infty}^{+\infty} f(t) e^{-i W t} \mathrm{~d} t\right) e^{i W t} \mathrm{~d} W \\&=\frac{1}{2 \pi} \int_{-\infty}^{+\infty}\left(\int_{-\infty}^{+\infty} f(t) e^{-i W t} \mathrm{~d} t\right) e^{i W t} \mathrm{~d} W\end{array}$

  注意这里的  $\int_{-\infty}^{+\infty} f(t) e^{-i W t} \mathrm{~d} t$  是对   $t$  进行积分,因此它是关于 $W$  的函数,定义:  

    $F(W)=\int_{-\infty}^{+\infty} f(t) e^{-i W t} \mathrm{~d} t$

  $F(W)$   就是   $f(t)$  的傅里叶变换,将 $F(W)$ 代入 $f(t)$ 得:

    $f(t)=\frac{1}{2 \pi} \int_{-\infty}^{+\infty} F(W) e^{i W t} \mathrm{~d} W$

  $f(t)$  就是傅里叶变换的逆变换。 

参考:

  1、图卷积神经网络(GCN)深入理解(1) 矩阵的谱分解

  2、图卷积神经网络课程笔记(一)——谱域图卷积(Spectral)背景知识及经典模型

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zggjxp.html