服从正态分布的正弦函数、余弦函数期望

ProfSnail

已于 2023-09-23 19:19:32 修改

阅读量2k

点赞数 5

分类专栏：数学基础知识文章标签：机器学习人工智能高斯分布

于 2023-09-22 23:51:47 首次发布

本文链接：https://blog.csdn.net/profsnail/article/details/133190509

版权

数学基础知识专栏收录该内容

3 篇文章 0 订阅

订阅专栏

服从正态分布的正弦函数期望

服从正态分布的正弦函数、余弦函数期望。

服从正态分布的正弦函数、余弦函数期望。

如果X服从均值为 $\mu$ ，方差为 $\sigma^2$ 的正态分布，计算sin(X)与cos(X)的数学期望。

利用特征函数(Characteristic Function)Wiki-Characteristic Function，我们知道 $X\sim N(\mu, \sigma^2)$ 的特征函数为：
$\varphi_{X(t)}=E(e^{itX})=exp\left({i\mu t - \dfrac{\sigma^2t^2}{2}}\right)=exp(-\sigma^2t^2/2)exp(i\mu t)$
根据欧拉公式：
$e^{ix} = \cos(x)+i\sin(x)$

$\begin{aligned} E(e^{itX})&=exp\left({i\mu t - \dfrac{\sigma^2t^2}{2}}\right) \\ &=exp(-\sigma^2t^2/2)exp(i\mu t) \\ &=exp(-\sigma^2t^2/2)\left[\cos(\mu t)+i\sin(\mu t)\right]\\ &=exp(-\sigma^2t^2/2)\cos(\mu t) +exp(-\sigma^2t^2/2)\sin(\mu t)i \\ &=Real(E(e^{itX}))+iIm(E(e^{itX})) \end{aligned}$

上述数学期望变为：
$\begin{aligned} E(e^{itX})&=E\left(\cos(tX)+i\sin(tX)\right)\\ &= E(cos(tX)) + iE(sin(tX))\\ &=Real(E(e^{itX}))+iIm(E(e^{itX})) \end{aligned}$
对比上述的实数部分和虚数部分，得到：
$E(\cos(tX))=exp(-\sigma^2t^2/2)\cos(\mu t)\\ E(\sin(tX))=exp(-\sigma^2t^2/2)sin(\mu t)$
最后，当t=1的时候：
$E(\cos(X))=exp(-\sigma^2/2)\cos(\mu)\\ E(\sin(X))=exp(-\sigma^2/2)sin(\mu)$

参考资料：Mean and variance of Y=cos(bX) when X has a Gaussian distribution

应用：MipNeRF(ArxivLink)采用的IPE位置编码中，对服从高斯分布正弦函数的数学期望计算：

# Code Source: 
# https://github.com/liuyuan-pal/NeRO/blob/3b4d421a646097e7d59557c5ea24f4281ab38ef1/network/field.py#L369-L378
def expected_sin(mean, var):
  """Compute the mean of sin(x), x ~ N(mean, var)."""
  return torch.exp(-0.5 * var) * torch.sin(mean)  # large var -> small value.

def IPE(mean,var,min_deg,max_deg):
    scales = 2**torch.arange(min_deg, max_deg)
    shape = mean.shape[:-1] + (-1,)
    scaled_mean = torch.reshape(mean[..., None, :] * scales[:, None], shape)
    scaled_var = torch.reshape(var[..., None, :] * scales[:, None]**2, shape)
    return expected_sin(torch.concat([scaled_mean, scaled_mean + 0.5 * np.pi], dim=-1), torch.concat([scaled_var] * 2, dim=-1))