模式识别-随机矢量的描述.pptVIP

1.3 随机矢量的描述 随机矢量： 在模式识别过程中，要对许多具体对 象进行测量，以获得许多次观测值。 每次观测值不一定相同，所以对许多 对象而言，各个特征分量都是随机变量， 即许多对象的特征向量在 n 维空间中呈随 机性分布，称为随机矢量。 1 1.3 随机矢量的描述 ( 一 ) 随机矢量的分布函数： 设 X ? ? ( X 1 , X 2 , ? , X n ) ? 为随机矢量， x ? ? ( x 1 , x 2 , ? , x n ) ? 为确定性矢量。 随机矢量的联合概率分布函数定义为： F ( x 1 , x 2 , ? , x n ) ? P ( X 1 ? x 1 , X 2 ? x 2 , ? , X F ( x ? ) ? P ( X ? ? x ? n ? x n ) ) 式中 P ? ? ? 表示括号中事件同时发生的概率。 2 1.3 随机矢量的描述 ( 一 ) 随机矢量的分布函数： 随机矢量 X ? 的联合概率密度函数定义为： p ( x p ( x ? 1 , x 2 , ? , x n ) ? ) ? ? n F ( x 1 , x 2 , ? , x n ) ? x 1 ? x 2 ? ? x n 3 1.3 随机矢量的描述 4 1.3 随机矢量的描述 p(x) p ( x ? 1 ) p ( x ? 2 ) X 2 X 1 ? 1 ? 2 ? 1 ? x 2 5 1.3 随机矢量的描述 6 1.3 随机矢量的描述 ( 二 ) 随机矢量的数字特征： 其中， ? ? 的分量： ? ? ? ?? i ? E[ X i ] ?? x i p ( x i )d x i ? ? ?? ?? ... ? x i p ( x 1 , x 2 ,..., x n )d x 1 d x 2 ...d x n ? X i 式中， p ( x 是 X ? i ) ? 的第 i 个分量的边缘 密度。随机矢量 ? 分量是相应的各随机分量的均值。 X 的均值矢量 ? 的各 7 1.3 随机矢量的描述 ( 二 ) 随机矢量的数字特征： ⑵ 条件期望 在模式识别中，经常以类别 ? i 作为条件，在这 种情况下随机矢量 X ? 的条件期望矢量定义为 ? ? i ? E[ X | ? i ] ? ? X n xp ( x | ? i )d x 8 1.3 随机矢量的描述 ( 二 ) 随机矢量的数字特征： ⑶ 协方差矩阵 ? 随机矢量 X 的自协方差矩阵表征各分量围绕 其均值的散布情况及各分量间的相关关系， 其定义为： ? ? E[( X ? X )( X ? X ) ] ? ? n ( x ? ? )( x ? ? ) p ( x )d x ? ( ? ) X 2 ij n ? n 9 1.3 随机矢量的描述 10 1.3 随机矢量的描述 11 1.3 随机矢量的描述 ( 二 ) 随机矢量的数字特征： ⑷ 相关系数 r ij ? ? 2 ij ( ? ii ? jj ) 由布尼亚科夫斯基不等式知 : ? 2 ij ? ? ii ? jj ? 1 ? r ij ? 1 相关系数矩阵定义为 : r ? ( r ij ) n ? n 12 1.3 随机矢量的描述 13 1.3 随机矢量的描述 14 1.3 随机矢量的描述 15 1.3 随机矢量的描述 16 1.4 正态分布 17 1.4 正态分布 （ 1 ）一维随机变量的正态分布 ? ? k ? ? ? ? k ? 18 1.4 正态分布 19