潍坊做外贸网站建设,设置网站语言,如何做分享赚钱的网站,衡阳网站建设公司最大熵对应的概率分布 最大熵定理 设 \(X \sim p(x)\) 是一个连续型随机变量#xff0c;其微分熵定义为\[ h(X) - \int p(x)\log p(x) dx \]其中#xff0c;\(\log\) 一般取自然对数 \(\ln\), 单位为 奈特#xff08;nats#xff09;。 考虑如下优化问题#xff1a;\[ \b…最大熵对应的概率分布 最大熵定理 设 \(X \sim p(x)\) 是一个连续型随机变量其微分熵定义为\[ h(X) - \int p(x)\log p(x) dx \]其中\(\log\) 一般取自然对数 \(\ln\), 单位为 奈特nats。 考虑如下优化问题\[ \begin{array}{ll} \underset{p}{\text{Maximize}} \displaystyle h(p) - \int_S p(x)\log p(x) dx \\ \text{Subject to} \displaystyle \int_S p(x) dx 1 \\[2pt] ~ p(x) \ge 0 \\[2pt] ~ \displaystyle \int_S p(x) f_i(x) dx \alpha_i, ~i1,2,3,\dots,n \end{array} \] 其中集合 \(S\) 是随机变量的support即其所有可能的取值。我们意图找到这样的概率分布 \(p\), 他满足所有的约束前两条是概率公理的约束最后一条叫做矩约束在模型中有时会假设随机变量的矩为常数并且能够使得熵最大。将上述优化问题写成标准形式\[ \begin{array}{ll} \underset{p}{\text{Minimize}} \displaystyle \int_S p(x)\log p(x) dx \\ \text{Subject to} -p(x) \le 0 \\[2pt] ~ \displaystyle \int_S p(x) dx 1 \\ ~ \displaystyle \int_S p(x) f_i(x) dx \alpha_i, ~i1,2,3,\dots,n \end{array} \] 使用Lagrange乘数法得到其Lagrangian\[ L(p,\boldsymbol{\lambda}) \int_S p\log p ~dx - \mu_{-1}p \mu_0 \left(\int_S p ~dx - 1\right) \sum_{j1}^n \lambda_j \left(\int_S pf_j~dx - \alpha_j\right) \] 根据KKT条件对Lagrangian求导令为0可得最优解。\[ \begin{gathered} \frac{\partial L}{\partial p} \ln p 1 - \mu_{-1} \mu_0 \sum_{j1}^n \lambda_jf_j : 0 \\ \implies p \exp\left(-1 \mu_{-1} - \mu_0 - \sum_{j1}^n \lambda_j f_j \right) \displaystyle c^* e^{-\sum_{j1}^n\lambda_j^* f_j(x)} : p^* \end{gathered} \] 其中我们要选择 \(c^*, \boldsymbol{\lambda}^*\) 使得 \(p(x)\) 满足约束。到这里我们知道在所有满足约束的概率分布当中\(p^*\) 是使得熵达到最大的那一个 例子 高斯分布 -------- 约束 \(E(X) 0 \implies f_1 x\)\(E(X^2) \sigma^2 \implies f_2 x^2\)根据上面的论证最大熵分布应具有如下形式\[ p(x) ce^{-\lambda_1x - \lambda_2 x^2} \] 再根据 KKT 条件 \(\int_{-\infty}^{\infty} p(x) 1\)\(\int_{-\infty}^{\infty} x p(x) 0\)\(\int x^2 p(x) \sigma^2\)由条件 \((2) \implies p(x)\) 是偶函数 \(\implies \lambda_1 0\), 原条件变成 \(\int_{-\infty}^{\infty} ce^{-\lambda_2x^2} 1\)\(\int x^2 ce^{-\lambda_2x^2} \sigma^2\)\(\implies c \frac{1}{\sqrt{2\pi\sigma^2}}, ~\lambda_2 \frac{1}{2\sigma^2} \implies p(x) \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{x^2}{2\sigma^2}} \sim N(0, ~\sigma^2)\) 指数分布 --------- 约束 \(X \ge 0\)\(E(X) \frac{1}{\mu}\)根据上面的论证最大熵分布应具有如下形式\[ p(x) ce^{-\lambda_1x} \] 再根据 KKT 条件 \(\int_{0}^{\infty} ce^{-\lambda_1x} 1\)\(\int_0^{\infty} x ce^{-\lambda_1x} \frac{1}{\mu}\)推导如下\[ \begin{gathered} \int_{0}^{\infty} e^{-\lambda_1x} \frac{1}{c} \implies \lambda_1 c \\ \int_{0}^{\infty}x e^{-\lambda_1x} \frac{1}{c\mu} \frac{1}{\lambda_1\mu} \implies \lambda_1 \mu \end{gathered} \] \(\implies p(x) \mu e^{-\mu x} \sim Exp(\mu)\) 均匀分布 --------- 约束 \(a \le X \le b\)根据上面的论证最大熵分布应具有如下形式\[ \begin{gathered} p(x) ce^{- 0x} c \\ \int_a^b c ~dx 1 \implies c \frac{1}{b-a} \end{gathered} \]\(\implies p(x) \frac{1}{b-a} \sim Unif(a,~b)\) 几何分布 --------- 几何分布计数直到第一次成功前所有的失败次数。\(P(Xk) q^kp\) 约束 \(X 0,1,2,\dots\)\(E(X) \frac{1-p}{p}\)根据上面的论证最大熵分布应具有如下形式\[ P(Xk) p_k ce^{-\lambda_1 k} \] 再根据 KKT 条件 \(\sum_{k0}^{\infty} p_k 1\)\(\sum_{k0}^{\infty} k p_k \frac{1-p}{p}\)推导如下\[ \begin{gathered} \sum_{k0}^{\infty} ce^{-\lambda_1 k} c \sum_{k0}^{\infty} q^k \quad(\text{where }q e^{-\lambda_1})\\ \frac{c}{1-q} \implies c 1-q \\ \sum_{k0}^{\infty} k ce^{-\lambda_1 k} c\sum_{k1}^{\infty} k (e^{-\lambda_1})^k c\sum_{k1}^{\infty}k q^k cq \sum kq^{k-1} \\ cq \sum (q^k) cq \left(\sum_{k1}^{\infty}q^k\right) cq \left(\frac{q}{1-q}\right) \\ cq \cdot \frac{1}{(1-q)^2} \frac{q}{1-q} \frac{1-p}{p} \end{gathered} \]\(\implies e^{-\lambda_1} q 1-p, ~ c p \implies P(Xk) p_k pq^k \sim Geom(p)\) 转载于:https://www.cnblogs.com/yychi/p/9401807.html
