熵(续)
信息熵
信息熵和热力学熵的假设相同,因此有类似结论不足为奇,毕竟数学上都是同一个微分方程。
信息熵:编码方案完美时,最短平均编码长度的是多少。
交叉熵:编码方案不一定完美时(由于对概率分布的估计不一定正确),平均编码长度的是多少。平均编码长度=最短平均编码长度+一个增量
相对熵:编码方案不一定完美时,平均编码长度相对于最小值的增加值。(即上面那个增量)
参考:
https://www.zhihu.com/question/41252833
如何通俗的解释交叉熵与相对熵?
复变函数
1.复球面表示。
2.条件严格性。
点域:连续<可导(可微)<可解析
区域:连续<可导(可微)=可解析
由于复平面的存在,极限 中,趋向于点 的路径有无穷多种,必须所有路径的极限都存在且一致,才可以说极限 存在。
3.函数可微的充要条件:Cauchy-Riemann Equations
若 可导,则:
1) 和 在点 可导。
2)
4.复数在场论描述中的应用。
复数求导
信号处理领域,很多需要求导的函数往往是不解析的。比如一系列的二乘loss:MSE、LS、WLS等。这些函数都包含 的成分。然而,这个函数是不可导的。
所以
上式显然不满足Cauchy-Riemann Equations,因此函数不可导。
上述结论我们也可以另一个角度观察。
假设 解析,则 可展开为z的Taylor级数。而这个展开式不包含 。即一个解析的复变函数只和z有关,而和 无关。
因为实函数必须同时依赖z和 ,否则虚部无法被消掉。因此,实函数 都是不解析的。
所以,Cauchy-Riemann Equations也可以写成 。
参考:
https://mp.weixin.qq.com/s/SUWUAMQjSuB5Gs06SPliTQ
复数求导在信号处理中的应用
Hermite矩阵
复数矩阵通常不能直接转置,而必须进行共轭转置。共轭转置也叫做Hermite转置,用 表示。
如果 ,则A被称为Hermite矩阵。
Charles Hermite,1822~1901,19世纪下半叶法国最著名的数学家,代数学领域的宗师级人物。Henri Poincaré的导师。他首先证明了e是超越数。以他的名字命名的数学术语竟达10项之多。
Hermite虽然不是如某些地摊文学所言,一遇考试就跪。但是的确不太擅长考试,大学(他考的大学类似国内的清北的地位)入学成绩排在第68位,完全没有学神的风范。相比之下,Poincaré的入学成绩可是排第一位的。尽管就成就而言,Hermite绝不逊于Poincaré。
平稳离散时间随机过程
Toeplitz矩阵
Toeplitz矩阵(diagonal-constant matrix),指矩阵中每条自左上至右下的斜线上的元素相同。
Otto Toeplitz,1881~1940,德国犹太裔数学家。University of Breslau博士(1905),先后执教于Göttingen University(在David Hilbert手下供职)、University of Kiel和Bonn University。1939年,为了躲避元首的迫害,逃亡耶路撒冷,次年去世。
广义平稳离散时间随机过程的相关矩阵是Hermite矩阵,也是Toeplitz矩阵。反之,如果相关矩阵是Toeplitz矩阵,则该离散时间随机过程,一定是广义平稳的。
离散时间随机过程的相关矩阵是非负定的,并且几乎总是正定的。(等于零,只有在无噪声且观测向量线性相关的情况下,才会出现。)
白噪声
线性差分方程
时间随机过程本身是由时间序列组成的,因此也可以使用《机器学习(二十四)》中提到的ARIMA模型。该模型的关键是求解线性差分方程。这通常要使用“信号与系统”课程中的z变换(离散域的拉普拉斯变换)求解。考虑到“信号与系统”是一个很大的课程。这里仅对本人关心的要点,做一个简要记录。
绝对可积->收敛域
z变换:
z逆变换:
系统函数: 。其中,E是激励信号,R是系统响应。
E的收敛域:
差分算子->特征方程->特征根
H的平稳条件:H的特征根满足
特征根是正实数,且 :自相关函数为阻尼曲线,仅有幅变。
特征根是负实数或者复数,且 :自相关函数为正弦阻尼曲线,不仅有幅变,还有相变。
选择ARIMA的阶数
如前所述,ARIMA(p,d,q)除了一些参数之外,还包括p,d,p这三个阶数的超参数。
AIC信息准则即Akaike information criterion,是衡量统计模型拟合优良性(Goodness of fit)的一种标准,由于它为日本统计学家赤池弘次创立和发展的,因此又称赤池信息量准则。AIC方法主要使用了KL散度。
MDL(minimum description length,最小描述长度) 原理是Rissane在研究通用编码时提出的。其基本原理是选择总描述长度最小的模型。
参考:
https://mp.weixin.qq.com/s/66lY17sOO83Q-xhvQi72dw
周期性时间序列的预测
功率谱
随机过程(设时间序列为 )二阶统计:
时域——自相关函数:
其中, 是 的复共轭。
频域:
其中, 就是功率谱密度(power spectral density, PSD),也称为功率谱(power spectrum)。
自相关函数和功率谱密度组成了傅立叶变换对,这种关系又被称为EWK(Einstein-Wiener-Khintchine)关系。
Einstein最早提出idea,Wiener证明了一个特例,Khintchine做了扩展证明。
Aleksandr Yakovlevich Khinchin,1894~1959,苏联数学家。莫斯科州立大学毕业,并留校任教,直到去世。苏联概率学派的重要人物。苏联科学院院士。概率论中,著名的Khintchine inequality就是他的成果。
在频域上,我们有Nyquist频率,相应的在时域上,我们也有Nyquist间隔:在这个间隔之外, 是周期性的。
离散时间随机过程的功率谱密度是非负实函数。
其中,H为系统函数, 输出信号的功率谱密度。
功率谱密度的Cramér表示:
其中, 被称为增量过程(increment process)。
Harald Cramér,1893~1985,瑞典数学家、统计学家。Stockholm University博士(1917)、教授、校长、瑞典高等教育系统大臣。被誉为“统计理论的巨人”。
由公式2和5,可得:
我们定义:
则公式6可改写为:
这里的K被称作Dirichlet Kernel。参见《数学狂想曲(一)》的相关章节。
一般来说,在公式8中, 是已知的,而 是未知的。从数学上来说,这个积分方程可看做第一类Fredholm积分方程的一个例子。
Erik Ivar Fredholm,1866~1927,瑞典数学家。Uppsala University博士(1898)+Stockholm University教授。不知道是不是瑞典的保险业比较发达,他和Cramér居然都当过兼职的精算师。。。瑞典皇家科学院院士。
Uppsala University是瑞典,也是北欧最古老的大学,始建于1477年。
功率谱密度的估计方法主要包括参数法和非参数法两大类。
参数法包括:
1.模型辨识法。基本就是上面提到的ARIMA或者其变种。
2.最小方差无失真响应法(MVDR)。
3.特征分解法。将相关矩阵R分解为两个子空间:信号子空间和噪声子空间。
非参数法包括:
1.周期图法。
2.多窗口法。
一般来说,随机过程的功率谱包含两个分量:确定性分量和连续分量。前者是增量过程 的一阶矩,后者是 的二阶中心矩。
参数法一般在知道相关物理规律时使用,它具有较高的精确度。而非参数法由于只依赖增量过程的一阶矩和二阶中心矩,因此适用范围更广泛,即使不知道系统的物理规律也可以使用。(有些类似万能拟合的GMM)
参考:
https://www.zhihu.com/question/29520851
功率谱密度如何理解?
高阶统计
上面讨论的基本都是一阶和二阶统计量,实际上我们还可以使用更高阶的统计量。使用高阶统计量的学科,一般被称为高阶统计学(higher-order statistics)。
Moment
Moment(矩)的定义为:
其中,当c=0时,被称作Raw Moment。当c为均值时,被称作Central Moment。如果用 替换 ,就是所谓的Normalised Moment了。
1阶Raw Moment,常称为Mean。2阶Central Moment,常称为Variance。3阶Normalised Moment,常称为Skewness。4阶Normalised Moment,常称为kurtosis。
Cumulants
Cumulants(累积量)的思想最早是Thorvald Thiele提出的,后来被Ronald Fisher和John Wishart发扬光大。
Thorvald Nicolai Thiele,1838~1910,丹麦天文学家。哥本哈根大学博士。哥本哈根天文台台长(1978~1907)。曾研究过三体问题。被Ronald Fisher誉为“最伟大的统计学家”。
John Wishart,1898~1956,苏格兰数学家和农业统计学家。Edinburgh University本科+Cambridge University硕士+University College London博士。导师是Karl Pearson,和Ronald Fisher也有过合作。Royal Society of Edinburgh会员。Cambridge University统计实验室首任主任。
苏格兰人的自我意识真是强,足球有自己的协会,就连皇家学会也有自己的。