Я пытаюсь выполнить авторегрессию пространства-времени ( STAR ). Приведенный ниже код в основном определяет целевую функцию выше, которую мне нужно минимизировать, где Y - это матрица N-by-K, а D - матрица N-by-N.
import numpy as np
from sys import exit
def obj_func(Y, D, Phi):
# check what went wrong
if not D.shape[0]==D.shape[1]:
print("D =", D)
exit()
if not Y.shape[0]==D.shape[0]:
print("Y =", Y)
print("D =", D)
exit()
if Y.shape[1]<len(Phi):
print("Y =", Y)
print("T =", len(Phi)-1)
exit()
T = len(Phi) - 1
N = Y.shape[0]
K = Y.shape[1]
c = Phi[0] * np.ones((N,1))
loss = 0
for j in range(T,K):
y = Y[:,j].reshape((N,1))
v = y - c
for tau in range(1,T+1):
y = Y[:, j-tau].reshape((N,1))
v = v - Phi[tau] * D.dot(y)
loss += np.linalg.norm(v)
return(loss / (K-T))
Оптимизация пошла не так, и поэтому был добавлен первый блок, чтобы проверить, какая часть пошла не так. Я использую scipy.optimize.minimize( ), чтобы минимизировать целевую функцию.
from scipy.optimize import minimize
def STAR_pm(Y, D, T):
phi = np.random.normal(loc=0, scale=5, size=T+1)
result = minimize(obj_func, x0=phi, args=(Y,D,), )
if not result.success:
print("No convergence. Try again.")
exit()
return(result.x)
Однако, когда я запустил следующее, оптимизация не удалась и распечатал матрицу D. Оказалось, что каким-то образом, Y был назначен к D и поэтому D больше не был матрицей N-N.
Y = np.random.randint(0,10, (3,10))
D = np.random.rand(3,3)
STAR_pm(Y, D, T=2)
Я нахожу это очень запутанным. Почему D вообще изменился? Это случилось с кем-то еще? Кто-нибудь поможет мне здесь?