散射矩阵、协方差矩阵

最新推荐文章于 2024-10-30 10:19:14 发布

hhuangx

最新推荐文章于 2024-10-30 10:19:14 发布

阅读量5k

点赞数

文章标签： matrix vector random components 图像处理工具

极化干涉合成孔径雷达进展

极化（偏振）

散射矩阵、协方差矩阵

数学基础 2009-09-03 15:39:35 阅读180 评论0 字号：大中小

散射矩阵,又称S矩阵，是物理学中描述散射过程的一个主要观测量。

现代高能物理的发展，同其他物理学一样是理论和实验的互动，而这种互动主要的桥梁就是散射矩阵。

假设散射源为很好的定域散射源，与被散射粒子的相互作用局限在有限的空间范围内，那么，无穷远时间以前粒子处于一个自由态，称为入态，记为|Ψ>_in；无穷远时间之后粒子也是处于一个自由态，称为出态，记为|Ψ>_out。入态到初态，相互作用可以用一个矩阵描述，记为S，那么就有：

|Ψ>_out＝S |Ψ>_in

这就是散射矩阵的定义。

散射矩阵直接与可观测的物理量相联系，但是我们在量子场论中处理的是场，两者如何联系？或者说如何从量子场论计算散射矩阵？我们还要利用一个LSZ约化规则，它联系了量子场论中的格林函数和可观测的散射矩阵。这使得理论能够预言实验。

协方差矩阵

在统计学与概率论中，协方差矩阵（或称共变异矩阵）是一个矩阵，其每个元素是各个向量元素之间的方差。这是从标量随机变量到高维度随机向量的自然推广。

假设X是以n个标量随机变量组成的列向量，

$X = begin{bmatrix}X_1 vdots X_n end{bmatrix}$

并且μ_i 是其第i个元素的期望值, 即, μ_i = E(X_i)。协方差矩阵被定义的第i，j项是如下协方差：

$Sigma_{ij} = mathrm{cov}(X_i, X_j) = mathrm{E}begin{bmatrix} (X_i - mu_i)(X_j - mu_j) end{bmatrix}$

即：

$Sigma=mathrm{E} left[ left( textbf{X} - mathrm{E}[textbf{X}] right) left( textbf{X} - mathrm{E}[textbf{X}] right)^top right]$

$= begin{bmatrix} mathrm{E}[(X_1 - mu_1)(X_1 - mu_1)] & mathrm{E}[(X_1 - mu_1)(X_2 - mu_2)] & cdots & mathrm{E}[(X_1 - mu_1)(X_n - mu_n)] mathrm{E}[(X_2 - mu_2)(X_1 - mu_1)] & mathrm{E}[(X_2 - mu_2)(X_2 - mu_2)] & cdots & mathrm{E}[(X_2 - mu_2)(X_n - mu_n)] vdots & vdots & ddots & vdots mathrm{E}[(X_n - mu_n)(X_1 - mu_1)] & mathrm{E}[(X_n - mu_n)(X_2 - mu_2)] & cdots & mathrm{E}[(X_n - mu_n)(X_n - mu_n)] end{bmatrix}$

矩阵中的第(i,j)个元素是X_i与X_j的协方差。这个概念是对于标量随机变量方差的一般化推广。

术语与符号分歧

协方差矩阵有不同的术语。有些统计学家，沿用了概率学家威廉·费勒的说法，把这个矩阵称之为随机向量X的方差（Variance of random vector X），这是从一维随机变量方差到高维随机向量的自然推广。另外一些则把它称为协方差矩阵（Covariance matrix），因为它是随机向量里头每个标量元素的协方差的矩阵。不幸的是，这两种术语带来了一定程度上的冲突：

随机向量X的方差（Variance of random vector X）定义有如下两种形式：

$operatorname{var}(textbf{X}) = mathrm{E} left[ (textbf{X} - mathrm{E} [textbf{X}]) (textbf{X} - mathrm{E} [textbf{X}])^top right]$

$operatorname{cov}(textbf{X}) = mathrm{E} left[ (textbf{X} - mathrm{E}[textbf{X}]) (textbf{X} - mathrm{E}[textbf{X}])^top right]$

协方差矩阵（Covariance matrix）定义如下：

$operatorname{cov}(textbf{X},textbf{Y}) = mathrm{E} left[ (textbf{X} - mathrm{E}[textbf{X}]) (textbf{Y} - mathrm{E}[textbf{Y}])^top right]$

第一个记号可以在威廉·费勒的广受推崇的两册概率论及其应用的书中找到。两个术语除了记法之外并没有不同。

性质

$Sigma=mathrm{E} left[ left( textbf{X} - mathrm{E}[textbf{X}] right) left( textbf{X} - mathrm{E}[textbf{X}] right)^top right]$ 与 $mu = mathrm{E}(textbf{X})$ 满足下边的基本性质：

$Sigma = mathrm{E}(mathbf{X X^top}) - mathbf{mu}mathbf{mu^top}$
$operatorname{var}(mathbf{a^top}mathbf{X}) = mathbf{a^top} operatorname{var}(mathbf{X}) mathbf{a}$
$mathbf{Sigma} geq 0$
$operatorname{var}(mathbf{A X} + mathbf{a}) = mathbf{A} operatorname{var}(mathbf{X}) mathbf{A^top}$
$operatorname{cov}(mathbf{X},mathbf{Y}) = operatorname{cov}(mathbf{Y},mathbf{X})^top$
$operatorname{cov}(mathbf{X_1} + mathbf{X_2},mathbf{Y}) = operatorname{cov}(mathbf{X_1},mathbf{Y}) + operatorname{cov}(mathbf{X_2}, mathbf{Y})$
若 p = q，则有 $operatorname{cov}(mathbf{X} + mathbf{Y}) = operatorname{var}(mathbf{X}) + operatorname{cov}(mathbf{X},mathbf{Y}) + operatorname{cov}(mathbf{Y}, mathbf{X}) + operatorname{var}(mathbf{Y})$
$operatorname{cov}(mathbf{AX}, mathbf{BX}) = mathbf{A} operatorname{cov}(mathbf{X}, mathbf{X}) mathbf{B}^top$
若 $mathbf{X}$ 与 $mathbf{Y}$ 是独立的，则有 $operatorname{cov}(mathbf{X}, mathbf{Y}) = 0$
$Sigma = Sigma^top$

其中 $mathbf{X}, mathbf{X_1}$ 与 $mathbf{X_2}$ 是随机 $mathbf{(p times 1)}$ 向量, $mathbf{Y}$ 是随机 $mathbf{(q times 1)}$ 向量, $mathbf{a}$ 是 $mathbf{(p times 1)}$ 向量, $mathbf{A}$ 与 $mathbf{B}$ 是 $mathbf{(p times q)}$ 矩阵。

尽管协方差矩阵很简单，可它却是很多领域里的非常有力的工具。它能导出一个变换矩阵，这个矩阵能使数据完全去相关(decorrelation)。从不同的角度看，也就是说能够找出一组最佳的基以紧凑的方式来表达数据。(完整的证明请参考瑞利商)。这个方法在统计学中被称为主成分分析(principal components analysis)，在图像处理中称为Karhunen-Loève 变换(KL-变换)。