В статистика , то Ковариация Матерна , также называемый Ядро Матерна [1] ковариационная функция используется в пространственная статистика , геостатистика , машинное обучение , анализ изображений и другие приложения многомерного статистического анализа метрические пространства . Он назван в честь шведского специалиста по статистике лесного хозяйства. Бертил Матерн [2] d единицы, удаленные друг от друга. Поскольку ковариация зависит только от расстояний между точками, она равна стационарный . Если расстояние Евклидово расстояние ковариация Матерна также изотропный .
Определение
Ковариация Матерна между двумя точками, разделенными d единицы расстояния даются [3]
C ν ( d ) = σ 2 2 1 − ν Γ ( ν ) ( 2 ν d ρ ) ν K ν ( 2 ν d ρ ) , {displaystyle C_ {u} (d) = sigma ^ {2} {frac {2 ^ {1-u}} {Gamma (u)}} {Bigg (} {sqrt {2u}} {frac {d} {ho }} {Bigg)} ^ {u} K_ {u} {Bigg (} {sqrt {2u}} {frac {d} {ho}} {Bigg)},} куда Γ {displaystyle Gamma} гамма-функция , K ν {displaystyle K_ {u}} Функция Бесселя второго рода, и ρ и ν положительные параметры ковариации.
А Гауссовский процесс с ковариацией Матерна ⌈ ν ⌉ − 1 {displaystyle lceil u ceil -1} [3] [4]
Спектральная плотность
Спектр мощности процесса с ковариацией Матерна, определенной на р п {displaystyle mathbb {R} ^ {n}} п -мерное) преобразование Фурье ковариационной функции Матерна (см. Теорема Винера – Хинчина ). В явном виде это дается выражением
S ( ж ) = σ 2 2 п π п 2 Γ ( ν + п 2 ) ( 2 ν ) ν Γ ( ν ) ρ 2 ν ( 2 ν ρ 2 + 4 π 2 ж 2 ) − ( ν + п 2 ) . {displaystyle S (f) = sigma ^ {2} {frac {2 ^ {n} pi ^ {frac {n} {2}} Gamma (u + {frac {n} {2}}) (2u) ^ { u}} {Gamma (u) ho ^ {2u}}} left ({frac {2u} {ho ^ {2}}} + 4pi ^ {2} f ^ {2} ight) ^ {- left (u + {frac {n} {2}} ight)}.} [3] Упрощение для конкретных значений ν
Упрощение для ν полуцелое число Когда ν = п + 1 / 2 , п ∈ N + {displaystyle u = p + 1/2, pin mathbb {N} ^ {+}} Ковариация Матерна можно записать как произведение экспоненты и полинома порядка п {displaystyle p} [5]
C п + 1 / 2 ( d ) = σ 2 exp ( − 2 п + 1 d ρ ) п ! ( 2 п ) ! ∑ я = 0 п ( п + я ) ! я ! ( п − я ) ! ( 2 2 п + 1 d ρ ) п − я , {displaystyle C_ {p + 1/2} (d) = sigma ^ {2} exp left (- {frac {{sqrt {2p + 1}} d} {ho}} ight) {frac {p!} {( 2p)!}} Sum _ {i = 0} ^ {p} {frac {(p + i)!} {I! (Pi)!}} Left ({frac {2 {sqrt {2p + 1}} d } {ho}} ight) ^ {pi},} который дает:
за ν = 1 / 2 ( п = 0 ) {displaystyle u = 1/2 (p = 0)} C 1 / 2 ( d ) = σ 2 exp ( − d ρ ) , {displaystyle C_ {1/2} (d) = sigma ^ {2} exp left (- {frac {d} {ho}} ight),} за ν = 3 / 2 ( п = 1 ) {displaystyle u = 3/2 (p = 1)} C 3 / 2 ( d ) = σ 2 ( 1 + 3 d ρ ) exp ( − 3 d ρ ) , {displaystyle C_ {3/2} (d) = sigma ^ {2} left (1+ {frac {{sqrt {3}} d} {ho}} ight) exp left (- {frac {{sqrt {3}) } d} {ho}} ight),} за ν = 5 / 2 ( п = 2 ) {displaystyle u = 5/2 (p = 2)} C 5 / 2 ( d ) = σ 2 ( 1 + 5 d ρ + 5 d 2 3 ρ 2 ) exp ( − 5 d ρ ) . {displaystyle C_ {5/2} (d) = sigma ^ {2} left (1+ {frac {{sqrt {5}} d} {ho}} + {frac {5d ^ {2}} {3ho ^ { 2}}} ight) exp left (- {frac {{sqrt {5}} d} {ho}} ight).} Гауссов случай в пределе бесконечного ν В качестве ν → ∞ {displaystyle u ightarrow infty} Ковариация Матерна сходится к квадрат экспоненциальной ковариационной функции
Lim ν → ∞ C ν ( d ) = σ 2 exp ( − d 2 2 ρ 2 ) . {displaystyle lim _ {u ightarrow infty} C_ {u} (d) = sigma ^ {2} exp left (- {frac {d ^ {2}} {2ho ^ {2}}} ight).} Ряд Тейлора в нуле и спектральные моменты
Поведение для d → 0 {displaystyle dightarrow 0}
C ν ( d ) = σ 2 ( 1 + ν 2 ( 1 − ν ) ( d ρ ) 2 + ν 2 8 ( 2 − 3 ν + ν 2 ) ( d ρ ) 4 + О ( d 5 ) ) . {displaystyle C_ {u} (d) = sigma ^ {2} left (1+ {frac {u} {2 (1-u)}} left ({frac {d} {ho}} ight) ^ {2}) + {frac {u ^ {2}} {8 (2-3u + u ^ {2})}} влево ({frac {d} {ho}} ight) ^ {4} + {mathcal {O}} влево (d ^ {5} ight) ight).} После определения следующие спектральные моменты могут быть получены из ряда Тейлора:
λ 0 = C ν ( 0 ) = σ 2 , λ 2 = − ∂ 2 C ν ( d ) ∂ d 2 | d = 0 = σ 2 ν ρ 2 ( ν − 1 ) . {displaystyle {egin {align} lambda _ {0} & = C_ {u} (0) = sigma ^ {2}, [8pt] lambda _ {2} & = - left. {frac {partial ^ {2}) C_ {u} (d)} {partial d ^ {2}}} ight | _ {d = 0} = {frac {sigma ^ {2} u} {ho ^ {2} (u -1)}}. конец {выровнен}}} Смотрите также
Рекомендации
^ Гентон, Марк Г. (1 марта 2002 г.). «Классы ядер для машинного обучения: взгляд на статистику» . Журнал исследований в области машинного обучения . 2 (3/1/2002): 303–304. ^ Минасный, Б .; Макбрэтни, А. Б. (2005). «Функция Matérn как общая модель для вариограмм почвы». Геодермия . 128 (3–4): 192–207. Дои :10.1016 / j.geoderma.2005.04.003 . ^ а б c Расмуссен, Карл Эдвард и Уильямс, Кристофер К. И. (2006) Гауссовские процессы для машинного обучения ^ Сантнер, Т. Дж., Уильямс, Б. Дж., И Нотц, В. И. (2013). Планирование и анализ компьютерных экспериментов. Springer Science & Business Media. ^ Абрамовиц и Стегун. Справочник по математическим функциям с формулами, графиками и математическими таблицами ISBN 0-486-61272-4 
![{displaystyle {egin {align} lambda _ {0} & = C_ {u} (0) = sigma ^ {2}, [8pt] lambda _ {2} & = - left. {frac {partial ^ {2}) C_ {u} (d)} {partial d ^ {2}}} ight | _ {d = 0} = {frac {sigma ^ {2} u} {ho ^ {2} (u -1)}}. конец {выровнен}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/334be9bee66901852ab7bdd81b77fb747f40d4c8)