图傅里叶变换、图信号处理和图卷积中的图信号(Graph Signal)理解

目录

  • 前言
  • 图信号理解
  • 结语

前言

图信号(Graph Signal)在 图傅里叶变换、图信号处理、谱图理论 和图卷积中的出现频次较高,在图傅里叶变换的维基百科中,只是简单地说明了图信号是个函数,它将顶点映射为实数:

图信号(graph signal) f : V → R f: V \rightarrow \mathbb{R} f:VR是定义在图 G G G顶点上的函数, f f f将每一个顶点(vertex) { v i } i = 1 , … , N \{v_i\}_{i=1,\ldots,N} {vi}i=1,,N 映射为一个实数 f ( i ) f(i) f(i)

图信号理解

例如,假设一个有8个城市的省,我们需要表示每个城市的卡车数量,可以使用如下的图形信号来表示这些信息:
图傅里叶变换、图信号处理和图卷积中的图信号(Graph Signal)理解_第1张图片
每个浅绿色的顶点代表一个城市及其在该省的位置。连接城市的蓝色的边代表两个连接城市之间的道路。红色的垂直线代表卡车的数量,这是一个标量值。红线越高,那个城市的卡车数量就越高。

假设每个顶点 i i i都有一个信号 f ( i ) f(i) f(i),给定图中的一个顶点,这个顶点信号将给出一个实数作为输出,即
f : V → R f: V \rightarrow \mathbb{R} f:VR

比如第1个城市有100量卡车,则 f ( 1 ) = 100 f(1)=100 f(1)=100
由于有N个顶点,因此 f ( i ) f(i) f(i)中的 i i i将有N个不同的值。图信号可以定义为N个单独信号的集合,如下所示。
f = [ f ( 1 ) , f ( 2 ) , . . . f ( N ) ] T f=[f(1),f(2),...f(N)]^{T} f=[f(1),f(2),...f(N)]T

结语

上面我们看到的是一个简单的平面图,然而,我们可以用更高维度的图来表示复杂的模型,例如,人体可以表示为3D点云图,传感器网络甚至图像都可以表示为图形,这如下图所示。
图傅里叶变换、图信号处理和图卷积中的图信号(Graph Signal)理解_第2张图片


你可能感兴趣的:(专栏03-图神经网络,图卷积,图傅里叶变换,图信号处理)