在做数值实验时很可能要求实现符合某种协方差的随机域。选取这样的随机向量的一种方式就是Karhunen-Loève expansion。本文主要参考论文介绍基本的概念和简要介绍数值实现的方法。为以后使用做准备。
文章目录
1. 随机域
Ω ⊂ R d \Omega\subset \mathbb{R}^{d} Ω⊂Rd,是一个连续的区域。连续随机域(continuous random field) H ( x , θ ) H(\mathbf{x},\theta) H(x,θ) 是定义在 Ω \Omega Ω上的随机函数, θ ∈ Θ \theta\in\Theta θ∈Θ, ( Θ , F , P ) (\Theta,F,P) (Θ,F,P)是一个完备的随机空间。
如果每个 x ∈ Ω \mathbf{x}\in\Omega x∈Ω对应的都是随机变量,那么这个随机域就被成为单变量的(univariate) 或者 实值的(real-valued)。如果每个 x \mathbf{x} x对应的是随机向量,那么这个随机域就是多变量的(multivariate)。
d = 1 d=1 d=1,随机域称为一维的(one-dimensional), d > 1 d>1 d>1,随机域成为多维的(multidimentional)。
如果 ∀ ( x 1 , … , x n ) ∈ Ω \forall (\mathbf{x}_1, \dots,\mathbf{x}_n)\in\Omega ∀(x1,…,xn)∈Ω, ∀ n \forall n ∀n,有 ( H ( x 1 , θ ) , … , H ( x n , θ ) ) (H(\mathbf{x}_1,\theta),\dots,H(\mathbf{x}_n,\theta)) (H(x1,θ),…,H(xn,θ))是联合高斯分布的,则称随机域是高斯的(Gaussian)。
均值函数: μ : Ω → R \mu:\Omega\to \mathbb{R} μ:Ω→R。自相关函数: C o v : Ω × Ω → R \mathsf{Cov}:\Omega\times\Omega\to \mathbb{R} Cov:Ω×Ω→R。标准差函数: σ : Ω → R \sigma:\Omega\to \mathbb{R} σ:Ω→R。自相关系数函数: ρ : Ω × Ω → [ − 1 , 1 ] \rho:\Omega\times\Omega\to [-1,1] ρ:Ω×Ω→[−1,1]。
C o v ( x , x ′ ) = σ ( x ) σ ( x ′ ) ρ ( x , x ′ ) \mathsf{Cov}(\mathbf{x},\mathbf{x}')=\sigma(\mathbf{x})\sigma(\mathbf{x}')\rho(\mathbf{x},\mathbf{x}') Cov(x,x′)=σ(x)σ(x′)ρ(x,x′).
2. KL expansion
Karhunen-Loève expansion是一种以序列形式表达随机域的方式。其建立在自相关函数的谱分解上。 H ( x , θ ) = μ ( x ) + ∑ i = 1 ∞ λ i φ i ( x ) ξ i ( θ ) , H(\mathbf{x},\theta)=\mu(\mathbf{x})+\sum_{i=1}^{\infty}\sqrt{\lambda_i}\varphi_i(\mathbf{x})\xi_i(\theta), H(x,θ)=μ(x)+i=1∑∞λiφi(x)ξi(θ),其中 ∫ Ω C o v ( x , x ′ ) φ i ( x ′ ) d x ′ = λ i φ i ( x ) . (1) \int_{\Omega}\mathsf{Cov}(\mathbf{x},\mathbf{x}')\varphi_{i}(\mathbf{x}')\mathsf{d}\mathbf{x}'=\lambda_i\varphi_i(\mathbf{x}).\tag{1} ∫ΩCov(x,x′)φi(x′)dx′=λiφi(x).(1) φ i \varphi_i φi都正规化了,而 ξ i ( θ ) : Θ → R \xi_i(\theta):\Theta\to \mathbb{R} ξi(θ):Θ→R是标准不相关随机变量。
有效的自相关函数是有界(bounded),对称(symmetric),半正定的(semi-definite)。 λ i ≥ 0 \lambda_i\ge0 λi≥0, C o v ( x , x ′ ) = ∑ i = 1 ∞ λ i φ i ( x ) φ i ( x ′ ) \mathsf{Cov}(\mathbf{x},\mathbf{x}')=\sum_{i=1}^{\infty}\lambda_i\varphi_i(\mathbf{x})\varphi_i(\mathbf{x}') <