高斯分布的乘积与卷积

已于 2023-11-23 11:48:40 修改
阅读量3.9k 收藏 24
点赞数 7
分类专栏： 机器学习之概率论与矩阵论 文章标签： 概率论 python
于 2022-11-23 13:19:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/scott198510/article/details/127998473
版权

高斯分布作为一种重要的连续分布形式，频繁出现在各种应用场景里，典型如卡尔曼滤波器的设计与计算中涉及两个高斯分布的乘积，计算符合高斯分布的两个独立随机变量和的概率密度函数涉及高斯分布的卷积。

1. 一元高斯分布的乘积

令\small f(x)=\mathcal{N}(x\vert \mu_1^2,\sigma_1), \, g(x)=\mathcal{N}(x\vert \mu_2,\sigma_2^2)，均是关于变量\large x的高斯分布，现计算高斯分布的乘积\small \small f(x)g(x)的分布形式。

                                

了解本专栏 订阅专栏 解锁全文 超级会员免费看
scott198512
关注
  • 7
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
高斯分布相乘、卷积整理
dihao0836的博客
04-20 4608
文章包括的内容有： 一元高斯分布相乘的分布 多元高斯分布相乘的分布 一元高斯的卷积分布 应用：高斯线性系统的推导 前三部分的参考文献Products and Convolutions of Gaussian Probability Density Functions. P.A. Bromile。应用的内容来自"machine learning a probabilistic persp...
DFT的matlab源代码-1D_DFT_convolution:通过DFT使用卷积定理在任意一维函数和高斯核之间进行卷积
05-26
在本文中，我们将深入探讨如何使用离散傅立叶变换（DFT）在MATLAB环境中实现一维函数与高斯核之间的卷积。这个过程基于一个名为“1D_DFT_convolution”的开源项目，该项目提供了相关的MATLAB源代码。我们将讨论DFT的...
概率论之——高斯分布的乘积
qq_41035283的博客
10-28 1万+
概率论之——高斯分布的乘积一、前言二、高斯分布（正态分布）标准高斯分布高斯分布的基本性质三、高斯分布的乘积python示意图四、多维高斯分布 一、前言 本来我并不想开机器学习这个专栏，因为机器学习与高数线代矩阵论概率论密切相关，我的数学能力没达到这种高度。然而控制理论也会涉及各种数理统计知识，那就不得不开一个数理栏了。 这个栏没有具体的知识路线，写到哪算哪，数学和机器学习相关且不好分类的东西都会往这边放。 二、高斯分布（正态分布） 假设随机变量x1x_1x1​服从均值和方差为μ1, σ12\mu_
两个高斯分布乘积的理论推导
chaosir的专栏
06-23 4万+
本文主要推导高斯分布（正态分布）的乘积，以便能更清楚的明白Kalman滤波的最后矫正公式。 Kalman滤波主要分为两大步骤： 1.系统状态转移估计，2.系统测量矫正； 在第2步中的主要理论依据就是两个独立高斯分布的乘积如何计算的问题，即如何融合 估计值 和 观测值 得到系统状态的最优估计。 高斯分布的概率密度函数： f(x)=12πδe−(x−u)22δ2(1) f(x) = \frac{1}{\sqrt{2\pi}\delta}{e^{-\frac{(x-u)^2}{2\delta^2}}} \ta
两个高斯函数的卷积仍为一高斯函数
Object o
12-28 2万+
这几天写论文，论文里面涉及到高斯平滑，并且运用到了高斯平滑的一个特性：先用高斯窗口为a的模板平滑，然后在用高斯窗口为b的模板平滑，效果等效于用窗口为c的模板平滑一次，其中c^2=a^2+b^2。这就用到了高斯函数卷积的一个特性：两个高斯函数的卷积为一新的高斯函数，新高斯函数的方差为原来两个高斯函数方差的和。 基于此，就百度搜了搜两个高斯函数的卷积，发觉都是只给结论，没有给出理论过程。那就只能自己
两个高斯分布相加（卷积）的理论推导
热门推荐
chaosir的专栏
06-25 4万+
本文主要推导两个高斯分布的相加结果。在知乎上有个问题：**正态分布随机变量的和还是正态分布吗？** 也是本文主要解决的问题。 直觉中，两个高斯（正态）随机变量的和似乎应该是两个概率密度函数的和，如下图所示，其结果就近似为两个概率密度的包络线，这明显是错误的，是用直觉推导数学，大错特错。 在解决此问题前，我们需要搞清楚两个高斯函数的和的物理意义，这里用经典的投骰子作为为例子更好理解。 离散卷积：投骰子 - 同时投求两个骰子所的点数相加得4的概率是多少？ 则其结果为 p1(1)p2(3)+p1(2.
高斯分布的乘积
u012836279的专栏
04-22 1万+
假设有两个高斯分布： p1(x)=(2πσ21)−12exp{−12(x−μ1)2σ21}p1(x)=(2πσ12)−12exp{−12(x−μ1)2σ12}p_1(x) = (2\pi\sigma_1^2)^{-\frac{1}{2}}exp\{ -\frac{1}{2} \frac{(x-\mu_1)^2}{\sigma_1^2} \} p2(x)=(2πσ22)−12exp{−12(x−μ...
数学_两个/三个高斯分布的乘积和性质
惊鸿一博
01-31 1939
两个/三个高斯分布的乘积和性质
conv_卷积运算_
10-03
1. 图像模糊：卷积用于实现高斯模糊等效果，通过一个模糊核与图像像素进行卷积，使得图像变得模糊。 2. 锐化：锐化操作通过卷积图像与特定的边缘增强核来提高图像的对比度，使细节更明显。 3. 均值滤波：对图像进行...
CovImgAndKerl.zip_MATLAB实现卷积
07-15
在二维空间上，卷积可以通过将滤波器中心对准图像的每个像素，然后计算滤波器覆盖区域内的像素值与滤波器权重的乘积之和来完成。 MATLAB中的`conv2`函数是用于二维卷积的内置命令。然而，通过自定义代码实现卷积，...
正态分布乘积等于正态分布的证明
10-09
各种正态分布的的乘积，包括单变量，多变量正态分布的乘积为正态分布的乘积的证明。
高斯滤波器.rar_matlab_通信仿真_高斯滤波器
07-15
在二维图像中，卷积是通过将滤波器（高斯核）在图像上滑动，并在每个位置处计算核与对应像素值的乘积之和。 5. **通信仿真的应用**：在通信系统中，高斯滤波器常用于模拟信道的频率响应，或者在接收端对信号进行...
gaosipinghua.rar_图形处理_高斯平滑
09-20
卷积过程中，每个像素的新值是由其周围像素与高斯核对应的权重乘积之和得到的。高斯核的每个元素值由高斯函数计算得出，距离中心点越远，权重越小，因此离中心像素较远的像素对结果的影响较小。 高斯平滑有以下优点...
高斯分布的数乘，相加，相乘还是高斯分布吗？
share727186630的博客
08-29 7310
高斯分布的数乘，相加，相乘还是高斯分布吗？  首先当随机变量Y=g(X)Y=g(X)Y=g(X)时,两者的PDF具有这样的关系fY(y)=fX(x)∣dxdy∣f_{Y}(y)=f_{X}(x)\lvert\frac{dx}{dy}\rvertfY​(y)=fX​(x)∣dydx​∣ 具体来说FY(y)=P(Y≤y)=P(g(X)≤y)=P(X≤g−1(y))=FX(g−1(y))=FX(x)F_{Y}(y)=P(Y\leq y)=P\left(g(X)\leq y\right)=P\left(X\leq
两个高斯分布相乘的完整结果
shengsong
11-27 1015
两个高斯分布相乘的完整结果
两个高斯分布乘积的推导及解释，BPMF 公式推导
lmm6895071的专栏
03-31 2万+
1. 两个高斯分布的乘积 2. BPMF 公式推导 两个高斯分布乘积服从高斯分布 BPMF模型中公式推导 高斯先验+ 高斯似然=高斯后验分布 然而，很多时候， 化简成 标准的形式是困难的。 本文考虑从一阶导数、二阶导数角度获得参数μ,Λ=1σ2μ,Λ=1σ2\mu,\Lambda=\frac{1}{\sigma^2}. 1. 两个高斯分布的...
【Math】高斯分布的乘积 Product of Gaussian Distribution【附带Python实现】
Shen Mu Xin's Blog
12-05 376
高斯分布的乘积
高斯分布相乘推导
sinat_40936062的博客
06-22 3485
假设两个高斯（正态）分布概率模型服从： p(w)∼N(μ0,σ02)(1-1) p(w) \sim N(\mu_0, \sigma_0^2)\tag{1-1} p(w)∼N(μ0​,σ02​)(1-1) p(v)∼N(μ1,σ12)(1-2) p(v)\sim N(\mu_1, \sigma_1^2)\tag{1-2} p(v)∼N(μ1​,σ12​)(1-2) 均为变量xxx的分布。那么p(w)p(v)p(w)p(v)p(w)p(v)的分布形式推导过程如下： 相乘后的系数部分结果为: 12πσ0σ1×e
概率论原理精解【2】
最新发布
应用数学
07-14 914
坐标映射T为非空指标集，At∣t∈T是一族集合。πt映射×t∈TAt→Atφtt∈T→φt为×t∈TAt至At的坐标映射T为非空指标集，\{A_t|t \in T\}是一族集合。\\\pi_t映射:\times_{t \in T}A_t \rightarrow A_t,(\varphi(t),t \in T) \rightarrow \varphi(t)为\times_{t \in T}A_t至A_t的坐标映射T。
高斯卷积算子为什么是可分离卷积核
06-11
高斯卷积核是可分离的，是因为高斯函数具有可分离性质。可分离性质意味着高斯函数可以分解为两个一维高斯函数的乘积。具体来说，如果一个二维高斯卷积核的大小为 n x n，则可以将其分解为一个 n x 1 的一维高斯卷积核和一个 1 x n 的一维高斯卷积核的乘积，即： ``` G(x,y) = G(x) * G(y) ``` 其中，G(x)和G(y)分别表示在x和y方向上的一维高斯卷积核。这样，就可以将原本的二维卷积操作分解为两个一维卷积操作，从而降低了计算复杂度，加快了算法的运行速度。因此，高斯卷积核是可分离的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

scott198512

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值