qq_45448654的博客

介绍图的基本概念与拉普拉斯矩阵、傅里叶变换等图谱论知识

目录一、度中心性(Degree Centrality)二、特征向量中心性(Eigenvector Centrality)三、Katz中心性(Katz Centrality)四、介数中心性(Betweeness Centrality)    在图中，节点的中心性(Centrality)用于衡量节点在图中的重要性。接下来，以下面这张图的节点为例，介绍一些常用的节点中心性及其计算过程。一、度中心性(Degree Centrality)  &nbsp

目录一、为什么学习拉普拉斯矩阵二、拉普拉斯矩阵的定义与性质三、拉普拉斯矩阵的推导与意义3.1 梯度、散度与拉普拉斯算子3.2 从拉普拉斯算子到拉普拉斯矩阵一、为什么学习拉普拉斯矩阵    早期，很多图神经网络的概念是基于图信号分析或图扩散的，而这些都需要与图谱论相关的知识。并且在图网络深度学习中（graph deep learning）中，拉普拉斯矩阵是很常用的概念，深入理解其物理含义非常有助于加深对GNN模型的理解。博主最近在学习GCN，想要在拉普拉斯矩阵方面有

一、 背景知识1988年，Broomhead、Lowe以及Moody和Darken最早将径向基函数用于神经网络设计。径向基函数神经网络（Radial Basis Function Neural Network，RBF神经网络）是一类常用的三层前馈网络，既可用于函数逼近，也可用于模式分类。与其他类型的人工神经网络相比，RBF网络有生理学基础，结构简单，学习速度快，优良的逼近性能等特点。二、什么是径向基函数径向基函数是一个取值仅仅依赖于离原点距离的实值函数（RBF）方法。也就是Φ(x,c)=Φ(∣∣x−