Matarianova kovarianční funkce - Matérn covariance function
v statistika , Matérn kovariance , také nazývaný Matérnské jádro [1] , je kovarianční funkce použito v prostorová statistika , geostatistika , strojové učení , obrazová analýza a další aplikace vícerozměrné statistické analýzy na metrické prostory . Je pojmenován podle švédského statistika lesnictví Bertil Matérn [2] . Běžně se používá k definování statistické kovariance mezi měřeními provedenými ve dvou bodech, které jsou d jednotky od sebe vzdálené. Protože kovariance závisí pouze na vzdálenostech mezi body, je stacionární . Pokud je vzdálenost Euklidovská vzdálenost , Matérnova kovariance také je izotropní .
Definice Matérnova kovariance mezi dvěma body oddělenými d jednotky vzdálenosti jsou dány [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)},} kde Γ {displaystyle Gamma} je funkce gama , K. ν {displaystyle K_ {u}} je upravený Besselova funkce druhého druhu a ρ a ν jsou pozitivní parametry kovariance.
A Gaussův proces s Matérnovou kovariancí je ⌈ ν ⌉ − 1 {displaystyle lceil u ceil -1} časy diferencovatelné ve smyslu střední kvadratury.[3] [4]
Spektrální hustota Výkonové spektrum procesu s Matérnovou kovariancí definovanou na R n {displaystyle mathbb {R} ^ {n}} je (n -dimenzionální) Fourierova transformace matérské kovarianční funkce (viz Věta Wiener – Khinchin ). Výslovně je to dáno
S ( F ) = σ 2 2 n π n 2 Γ ( ν + n 2 ) ( 2 ν ) ν Γ ( ν ) ρ 2 ν ( 2 ν ρ 2 + 4 π 2 F 2 ) − ( ν + n 2 ) . {displaystyle S (f) = sigma ^ {2} {frac {2 ^ {n} pi ^ {frac {n} {2}} gama (u + {frac {n} {2}}) (2u) ^ { u}} {Gamma (u) ho ^ {2u}}} vlevo ({frac {2u} {ho ^ {2}}} + 4pi ^ {2} f ^ {2} ight) ^ {- vlevo (u + {frac {n} {2}} hned)}.} [3] Zjednodušení pro konkrétní hodnoty ν Zjednodušení pro ν poloviční celé číslo Když ν = p + 1 / 2 , p ∈ N + {displaystyle u = p + 1/2, připnout mathbb {N} ^ {+}} , Matérn kovariance lze zapsat jako produkt exponenciálu a polynomu řádu p {displaystyle p} :[5]
C p + 1 / 2 ( d ) = σ 2 exp ( − 2 p + 1 d ρ ) p ! ( 2 p ) ! ∑ i = 0 p ( p + i ) ! i ! ( p − i ) ! ( 2 2 p + 1 d ρ ) p − i , {displaystyle C_ {p + 1/2} (d) = sigma ^ {2} exp left (- {frac {{sqrt {2p + 1}} d} {ho}} ight) {frac {p!} {( 2p)!}} Součet _ {i = 0} ^ {p} {frac {(p + i)!} {I! (Pi)!}} Vlevo ({frac {2 {sqrt {2p + 1}} d } {ho}} ight) ^ {pi},} který dává:
pro ν = 1 / 2 ( p = 0 ) {displaystyle u = 1/2 (p = 0)} : C 1 / 2 ( d ) = σ 2 exp ( − d ρ ) , {displaystyle C_ {1/2} (d) = sigma ^ {2} exp vlevo (- {frac {d} {ho}} vpravo),} pro ν = 3 / 2 ( p = 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} vlevo (1+ {frac {{sqrt {3}} d} {ho}} ight) exp vlevo (- {frac {{sqrt {3} } d} {ho}} ight),} pro ν = 5 / 2 ( p = 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} vlevo (1+ {frac {{sqrt {5}} d} {ho}} + {frac {5d ^ {2}} {3ho ^ { 2}}} ight) exp left (- {frac {{sqrt {5}} d} {ho}} ight).} Gaussovský případ na hranici nekonečna ν Tak jako ν → ∞ {displaystyle u ightarrow infty} , Matérn kovariance konverguje k čtvercová exponenciální kovarianční funkce
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).} Taylorova řada v nulových a spektrálních momentech Chování pro d → 0 {displaystyle dightarrow 0} lze získat následující Taylorovou řadou:
C ν ( d ) = σ 2 ( 1 + ν 2 ( 1 − ν ) ( d ρ ) 2 + ν 2 8 ( 2 − 3 ν + ν 2 ) ( d ρ ) 4 + Ó ( d 5 ) ) . {displaystyle C_ {u} (d) = sigma ^ {2} vlevo (1+ {frac {u} {2 (1-u)}} vlevo ({frac {d} {ho}} vpravo) ^ {2} + {frac {u ^ {2}} {8 (2-3u + u ^ {2})}} vlevo ({frac {d} {ho}} ight) ^ {4} + {mathcal {O}} vlevo (d ^ {5} ight) ight).} Pokud jsou definovány, lze z Taylorovy řady odvodit následující spektrální momenty:
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 {aligned} lambda _ {0} & = C_ {u} (0) = sigma ^ {2}, [8pt] lambda _ {2} & = - left. {frac {částečné ^ {2} C_ {u} (d)} {částečný d ^ {2}}} vpravo | _ {d = 0} = {frac {sigma ^ {2} u} {ho ^ {2} (u -1)}}. konec {zarovnáno}}} Viz také Reference ^ Genton, Marc G. (1. března 2002). „Třídy jader pro strojové učení: perspektiva statistik“ . The Journal of Machine Learning Research . 2 (3/1/2002): 303–304. ^ Minasny, B .; McBratney, A. B. (2005). "Matérn funguje jako obecný model pro půdní variogramy". Geoderma . 128 (3–4): 192–207. doi :10.1016 / j.geoderma.2005.04.003 . ^ A b C Rasmussen, Carl Edward a Williams, Christopher K.I. (2006) Gaussovské procesy pro strojové učení ^ Santner, T. J., Williams, B. J., & Notz, W. I. (2013). Návrh a analýza počítačových experimentů. Springer Science & Business Media. ^ Abramowitz a Stegun. Příručka matematických funkcí se vzorci, grafy a matematickými tabulkami . ISBN 0-486-61272-4 .