版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u012284960/article/details/78900690
符号声明:
(1)
N(x|μ,Σ)
表示随机矢量
x
是服从均值为
μ
、协方差矩阵为
Σ
的高斯PDF的高斯矢量。
(2)粗体字表示矢量或者矩阵,如
x
表示
N
维矢量。
(3)
N(μ,Σ)
表示均值为
μ
、协方差矩阵为
Σ
的多元高斯分布。
(4)’
∝
’,表示正比于,如
x∝y
表示
x=ay
,
a
为常数。
回顾:矢量高斯分布
假设
x∼N(μ,Σ)
,则
x
的概率密度表示如下
pX(x)=1(2π)N/2det(Σ)−−−−−−√exp[−12(x−μ)TΣ−1(x−μ)]
定理:对于任意的
A∈RM×N
,
A+
存在且唯一。(
A+
为Moore-penrose逆)
若
M>N
,则
A+=(A+A)−1AT
,有
A+A=IN
若
M<N
,则
A+=AT(AAT)−1
,有
AA+=IM
。
对于线性高斯模型
y=Hx+w
其中,
x∈RN
,
H∈RM×N
,
w∼N(0,Σ)
。
Case 1:
M>N
时,该模型的似然函数为
p(y|x)=N(y|Hx,Σ)∝exp[−12(y−Hx)TΣ−1(y−Hx)]∝exp[−12(−2yTΣ−1Hx+xTHTΣ−1Hx)]=exp[−12(−2yT(Σ−1H(HTΣ−1H)−1HT)Σ−1Hx+xTHTΣ−1Hx)]=exp[−12(x−(HTΣ−1H)−1HTΣ−1y)T(HTΣ−1H)x]∝N(x|(HTΣ−1H)−1HTΣ−1y,(HTΣ−1H)−1)
Case 2:
M<N
时
p(y|x)=N(y|Hx,Σ)∝exp[−12(y−Hx)TΣ−1(y−Hx)]=exp[−12((HH+)(y−Hx))TΣ−1((HH+)(y−Hx))]=exp[−12(x−H+y)THTΣ−1H(x−H+y)]∝N(x|H+y,(HTΣ−1H)−1)
其中
H−1
是
H
的广义逆矩阵,即
H+=(HTH)−1HT
。