注意一下都是基于随机变量之间独立同分布,所以公式里的相关系数p等于0,没有出现。
Gaussian model
给出 d d 维随机向量(pattern)
,即随机变量 {
x1,x2,...,xn} { x 1 , x 2 , . . . , x n } 其高斯分布表示:
q(x;μ,Σ)=1(2π)d2det(Σ)12exp(12(x−μ)TΣ−1(x−μ))(1) (1) q ( x ; μ , Σ ) = 1 ( 2 π ) d 2 det ( Σ ) 1 2 exp ( 1 2 ( x − μ ) T Σ − 1 ( x − μ ) )
其中 μ μ 是 d d 维度的列向量代表期望(expectation), 是 d×d d × d 的协方差矩阵(variance-covariance matrix),即:
μ=E[x]=∫xq(x;μ,Σ)dx(2) (2) μ = E [ x ] = ∫ x q ( x ; μ , Σ ) d x
Σ=V[x]=∫(x−μ)(x−μ)Tq(x;μ,Σ)dx(3) (3) Σ = V [ x ] = ∫ ( x − μ ) ( x − μ ) T q ( x ; μ , Σ ) d x
假设 n n 个样本之间
,则高斯分布的对数似然(log-likelihood)是:
logL(μ,Σ)=−ndlog2π2−nlog(det(Σ))2−12∑i=1n(xi−μ)TΣ−1(xi−μ)(4) (4) l o g L ( μ , Σ ) = − n d log 2 π 2 − n log ( d e t ( Σ ) ) 2 − 1 2 ∑ i = 1 n ( x i − μ ) T Σ − 1 ( x i − μ )
由(4)求偏导得到似然方程:
∂logL∂μ=nΣ−1μ+Σ−1∑i=1nxi(5)