本文介绍: 输入是给定一个图或者超图，记作G=(V,E,W)，V表示点集，E表示边集，W表示每条边的权重。由于L拉普拉斯算子是一个半正定的矩阵，那么它可以被表示，其中是由特征值组成的对角矩阵。对应每个顶点，可能存在一个向量x，这个x是原始信号，那么就是原始信号在谱域的表达，如果想把谱域中的信号在变回去，只要与U相乘就可以了。基于以上，对于卷积的定义就能表示为把原始信号x和作为卷积核的信号y投影到谱域中做点积，然后在重新回来，这里利用卷积定理。然后再到这个式子，是因为gθ不再是自由参数了，而是受。
首先是卷积的谱方法。
输入是给定一个图或者超图，记作G=(V,E,W)，V表示点集，E表示边集，W表示每条边的权重。
由于L拉普拉斯算子是一个半正定的矩阵，那么它可以被表示，其中
，
是由特征值组成的对角矩阵。
对应每个顶点，可能存在一个向量x，这个x是原始信号，那么就是原始信号在谱域的表达，如果想把谱域中的信号
在变回去，只要与U相乘就可以了。
基于以上，对于卷积的定义就能表示为
把原始信号x和作为卷积核的信号y投影到谱域中做点积，然后在重新回来，这里利用卷积定理。
这个公式是怎么来的呢，主要是卷积核并不是在原始空间中，而是在谱域里面了，那么就不需要投影了，整个谱卷积就分三步：
空间方法
谱声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
