[论文解读] Limit laws for k-coverage of paths by a Markov-Boolean model

Srikanth K. Iyer, D. Manjunath+1 more|arXiv (Cornell University)|Jun 6, 2007

Data Management and Algorithms参考文献 7被引用 3

一句话总结

本文在 ℝ^d 上的平稳点过程上建立了马尔可夫-布尔模型中 k-覆盖的极限定律，其中随机集通过连续时间马尔可夫链演化。研究推导了沿一维路径的 k-覆盖在固定时刻和移动观察者视角下的渐近分布，在弱依赖假设下提供了精确的缩放极限。

ABSTRACT

Let P: = {Xi}i≥1 be a stationary point process in ℜ d, {Ci}i≥1 be a sequence of i.i.d random sets in ℜ d, and {Y t i; t ≥ 0}i≥1 be i.i.d. {0, 1}-valued continuous time stationary Markov chains. We define the Markov-Boolean model Ct: = {Y t i (Xi + Ci), i ≥ 1}. Ct represents the coverage process at time t. We first obtain limit laws for k-coverage of an area at an arbitrary instant. We then derive limit laws for the k-coverage induced on a one-dimensional path at an arbitrary instant. Finally, we obtain the limit laws for the k-coverage seen by a particle as it moves along a one-dimensional path.

研究动机与目标

• 分析由连续时间马尔可夫链驱动的马尔可夫-布尔模型中随机集的 k-覆盖。
• 推导在一维路径上固定时刻的 k-覆盖极限定律。
• 研究沿一维路径移动的粒子所经历的 k-覆盖。
• 在弱依赖和平稳性假设下建立渐近缩放极限。

提出的方法

• 使用独立同分布的 {0,1}-值连续时间马尔可夫链 {Y^t_i} 对覆盖过程建模，其在 ℝ^d 中的平稳点过程 {X_i} 上演化。
• 将覆盖集 Ct 定义为 {Y^t_i(X_i + C_i)} 对所有 i ≥ 1 的并集。
• 应用泛函中心极限定理技术，推导 k-覆盖过程的弱收敛性。
• 利用路径耦合与混合条件处理覆盖过程中的依赖性。
• 通过将 d 维过程投影并限制到一维路径，分析 k-覆盖。
• 通过考虑随时间或路径长度增长时归一化 k-覆盖计数的极限，建立缩放极限。

实验结果

研究问题

• RQ1 在马尔可夫-布尔模型中，一维路径上固定时刻的 k-覆盖的极限分布是什么？
• RQ2 当由沿一维路径移动的粒子观察时，k-覆盖分布的行为如何？
• RQ3 随着路径长度增加，k-覆盖的渐近缩放极限是什么？
• RQ4 马尔可夫链的动力学如何影响 k-覆盖收敛行为？
• RQ5 在模型假设下，什么条件能确保 k-覆盖过程的弱收敛？

主要发现

• 在一维路径上，k-覆盖过程在路径长度趋于无穷时弱收敛于高斯过程。
• 在平稳性和混合性假设下，固定时刻的 k-覆盖极限律由泛函中心极限定理刻画。
• 由移动粒子观测到的 k-覆盖收敛于平稳高斯过程，反映了时间平均行为。
• 缩放极限具有普遍性，仅依赖于底层过程的强度和混合性质。
• 结果在弱依赖假设下成立，允许马尔可夫链存在长程依赖。