多元高斯分布

 

多元高斯分布

 

前言

\quad 在数据建模时，经常会用到多元高斯分布模型[1,2]，下面就这个模型的公式并结合它的几何意义，来做一个简单的讲解。
 

标准高斯分布

\quad 标准高斯函数（正太分布）的标准形式有：

$$f(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$$

\quad 这个函数描述了变量$x$的一种分布特性，即为标准正态分布 $x\sim N(0,1)$，变量$x$的分布有如下特点：

1. 均值为 0
2. 方差为 1
3. 概率密度和为 1

\quad 其中，标准高斯分布的概率密度和为 1 可以从定积分的角度来看，或者说由于要求其为 1，才有如此形式的标准高斯分布，详细可以参看 高斯分布概率密度的二重积分 [link]。
 

一元高斯函数

\quad 一元高斯函数一般形式为：

$$f(x)=\frac{1}{\sqrt{2\pi }\delta }{e}^{-\frac{(x-\mu {)}^2}{2{\delta }^2}}$$

\quad 该形式中，$\mu$ 为均值，$\delta$ 为标准差。其中$\frac{1}{\sqrt{2\pi }\delta }$中的 $\delta$ 是为了使得概率密度函数和为 1， 可以从积分[link] 的角度分析。此外，也可以参考[2]得到一个形象的解释，这里做一个简短的说明：
\quad 我们令 $z=\frac{x-\mu }{\delta }$，$z\sim N(0,1)$，那么从从 $z->x$ 过程为：

1. 将 $x$ 向右移动 $\mu$ 个单位
2. 将密度函数伸展 $\delta$ 倍

\quad 所以，当密度函数在 $x$ 方向伸展了 $\delta$ 倍，为了保证最后概率密度和仍然为 1，那么密度函数需要在 $y$ 方向缩小 $\delta$ 倍（乘以 $\frac{1}{\delta }$）。

 

独立多元正态分布

待续

如果这个内容对于您的研究工作有帮助，也希望引用我们的论文：[1].

 
参考:

---

1. Chen K X, Ren J Y, Wu X J, et al. Covariance Descriptors on a Gaussian Manifold and their Application to Image Set Classification[J]. Pattern Recognition, 2020: 107463. [link]
2. https://www.cnblogs.com/bingjianing/p/9117330.html [link]