协方差矩阵的研究

这篇具有很好参考价值的文章主要介绍了协方差矩阵的研究。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1.1 题目的主要研究内容

(1)协方差矩阵的定义、计算过程。

        协方差(Covariance):在概率论和统计学中用于衡量两个变量的总体误差。协方差在某种意义上给出了两个变量线性相关性的强度以及这些变量的尺度。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。协方差矩阵(也称离差矩阵),其 i, j 位置的元素是第 i 个与第 j 个随机向量(即随机变量构成的向量)之间的协方差。 协方差矩阵将所有变量的协方差关系用矩阵的形式表现出来。

        协方差矩阵计算过程:是变量向量减去均值向量,然后乘以变量向量减去均值向量的转置再求均值。从数值来看,协方差的数值越大,两个变量同向程度也就越大,反之亦然。

(2)具体数据,手动推演和上机实现。

(3)手动推演和上机实现两种结果的比较分析。

1.2 题目研究的工作基础或实验条件

(1)手动推演中已知计算公式,给定初始数组;软件实现中已知程序代码的设计和算法应用。

(2)软件环境(开发工具可用PyCharm)使用numpy库的cov函数。

1.3 设计思想

        协方差矩阵是一种更容易理解的方式,它将整个维度中的关系定义为每两个随机变量之间的关系。 协方差矩阵是一个对称的矩阵,而且对角线是各个维度的方差。

        针对一维的样本集合时,求出的协方差就是方差,即方差是协方差的一种特殊情况,都是反应集合中各元素离散度的。

        针对二维的样本集合时,求出的协方差就是两维度间的相关性,包括正相关性、负相关性或者无关。

        针对三维及以上维度的样本集合时,求出的协方差是各个维度总体的相关性,针对各维度之间的关系,所以二维以上计算协方差,用的就是协方差矩阵。协方差矩阵是计算不同维度之间的协方差,样本矩阵的每行是一个样本,每列是一个维度。

协方差矩阵的计算公式:

样本离差阵,python,开发语言

         这里的X、Y表示两个变量空间。用机器学习的话来讲,就是样本有x、y两个特征,而X就是包含所有样本的x特征的集合, Y就是包含所有样本的y特征的集合。协方差如果为正 说明X,Y同向变化,协方差越大说明同向程度越高,协方差为负,说明X,Y反向运动,协方差越小说明反向程度越高。

        通过PyCharm Community Edition 2021.3.3软件环境来实现上机功能,提供了一个带编码补全,代码片段,支持代码折叠和分割窗口的智能、可配置的编辑器,可帮助用户更快更轻松的完成编码工作。

        在软件中可以使用Tab 键快速编写程序,当你什么也没有输入的时候,Tab只是4个空格的缩进;当你输入前几个字母,PyCharm会智能的列出所有的候选项,这时候,你只要按下Tab,会默认选择第一个候选项。提供输入速度,非常流畅。

1.4 流程图

        为了更清楚的对实验结果进行比较分析,可以通过流程图直接观察,软件实现和手动推演协方差矩阵的具体过程,其中两者给出的初始矩阵都是相同的,上机实现和手动推演流程图如图1.1所示:

样本离差阵,python,开发语言

1.1  上机实现和手动推演流程图

1.5 主要程序代码(要求必须有注释)

使用numpy库的cov函数:

import numpy as np   #导入 numpy

y = np.array([[1,2,3], [3,1,1]])  #给出数组

print(y)

print(y.shape)

print(np.cov(y, rowvar=False))

# 给定一组数据,计算有特征引导的协方差矩阵

根据协方差矩阵计算公式:

Import numpy as np

y = np.array([[1,2,3], [3,1,1]])

def coVariance(X):  # 数据的每一行是一个样本,每一列是一个特征  

        ro, cl = X.shape   

        row_mean = np.mean(X, axis=0)    #求取平均值   

        print(row_mean)

#X_Mean = np.zeros_like(X)

#print(X_Mean)#输出一个和x一致的矩阵

        X_Minus = X - row_mean  #原矩阵减平均值  

        print(X_Minus)   

        covarMatrix = np.zeros((cl, cl))  #建立一个cl*cl的矩阵 

        for i in range(cl):       

                for j in range(cl):            

                covarMatrix[i, j] = (X_Minus[:, i].T.dot(X_Minus[:, j])) / (ro - 1)  

         return covarMatrix

cV = coVariance(y)

print(cV)

1.6 运行结果及分析

手动推演具体过程如图1.2所示:

样本离差阵,python,开发语言

 图1.2 手动推演具体过程

分析

        手动推演和上机现实的过程结果完全相同,上机现实前期准备工作相对复杂一些,但是准确性比手动推演高,手动推演容易出现错误,但是两者都可以快速的修改错误之处。理解协方差矩阵的关键就在于牢记它的计算是不同维度之间的协方差,而不是不同样本之间。拿到一个样本矩阵,最先要明确的就是一行是一个样本还是一个维度,心中明确整个计算过程就会顺流而下,就会比较清楚。文章来源地址https://www.toymoban.com/news/detail-542539.html

到了这里,关于协方差矩阵的研究的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【概率论理论】协方差,协方差矩阵理论(机器学习)

      在许多算法中需要求出两个分量间相互关系的信息。协方差就是描述这种相互关联程度的一个特征数。   设 ( X , Y ) (X,Y) ( X , Y ) 是一个二维随机变量,若 E [ ( X − E ( X ) ) ( Y − E ( Y ) ) ] E[(X-E(X))(Y-E(Y))] E [ ( X − E ( X ) ) ( Y − E ( Y ) ) ] 存在,则称此数学期望为 X X X 与

    2024年02月14日
    浏览(46)
  • 协方差矩阵在torch和numpy中的比较,自行实现torch协方差矩阵

    数学中(教科书、大学课堂、数学相关的科普视频),一个矩阵的向量往往是竖着的, 一列作为一个vector ,这一点numpy库也是这样默认的。 但是在机器学习以torch框架为例,一个有意义的向量或者说embedding 是横着的 。 因为numpy库默认是一列是一个向量而torch等机器学习框架

    2023年04月08日
    浏览(37)
  • 因子模型:协方差矩阵

    本文是Quantitative Methods and Analysis: Pairs Trading此书的读书笔记。 因子协方差矩阵 (factor covariance matrix)在计算风险的时候很重要。如果一个模型有个因子,那么协方差矩阵的大小就是。对角线元素是每个因子的方差,非对角线元素是协方差,这些协方差有可能不为零。 协方差

    2024年02月04日
    浏览(84)
  • 协方差矩阵

    首先先了解方差与协方差: 协方差: (1)针对 一维样本集合 时(y i =x i ),求出的协方差其实就是方差,既方差是协方差的一种特殊情况。协方差意义和方差一样,都是 反应集合中各元素离散程度 。 (2)针对 二维样本集合 时,求出的协方差反映的就是 两个维度之间的相

    2024年02月10日
    浏览(62)
  • 协方差矩阵到底有什么用?

    我们知道,线性代数,可以完成空间上的线性变换——旋转,缩放。对于协方差,我们隐约可以想到,它能解释一个随机变量,它在各个维度的变化程度。但是,这种认识其实还是处于比较浅层次的。数学嘛,总要落实到公式上,才算认识比较深刻。 我认为,协方差一个经典

    2024年02月16日
    浏览(42)
  • Gram矩阵+Gram矩阵和协方差矩阵的关系

    gram矩阵是计算每个通道 i 的feature map与每个通道 j 的feature map 的内积 gram matrix的每个值可以说是代表 i 通道的feature map和 j 通道的 feature map的互相关程度。 参考博客 G = A T A = [ a 1 T a 2 T ⋮ a n T ] [ a 1 a 2 ⋯ a n ] = [ a 1 T a 1 a 1 T a 2 ⋯ a 1 T a n a 2 T a 1 a 2 T a 2 ⋯ a 2 T a n a n T a 1 a n

    2024年02月10日
    浏览(39)
  • 基于 Matlab 的方差-协方差矩阵可视化表示(椭圆、椭球)

    因为在学习模糊度固定的时候涉及了『搜索椭球』这一概念,很想知道是如何用椭球来表示搜索空间的。出于好奇,在查阅了一些相关文献,终于解决了笔者的疑惑,此篇博文就简要记录一下如何根据协方差矩阵来绘制椭球。 下面是得到的一些结论: 对协方差矩阵进行奇异

    2024年02月06日
    浏览(70)
  • 阿白数模笔记之协方差矩阵与相关矩阵

    目录 前言 一、方差 二、协方差矩阵 ①协方差 ②自协方差矩阵 互协方差矩阵​编辑 ③互协方差矩阵 Ⅰ、数学定义 Ⅱ、MATLAB运算 三、相关矩阵 ①person相关系数 ②自相关矩阵 ③互相关矩阵 Ⅰ、数学定义 Ⅱ、matlab运算         作为数模小白,前天在学习FA算法时看到协方差

    2024年02月11日
    浏览(43)
  • matlab 计算点云协方差矩阵

    本文由CSDN点云侠原创,原文链接。如

    2024年02月10日
    浏览(39)
  • UPA/URA双极化天线的协方差矩阵结构

    下图形象描述了UPA阵列的接收信号 UPA阵列的水平(Horizontal)方向的天线间距为 d H d_H d H ​ ,垂直(Vertical)方向的天线间距为 d V d_V d V ​ ,图中BA是点A处的阵元接收到的信号方向,我们需要衡量水平、垂直两个方向的路径差。 (1)水平方向的路径差 考虑三角形OAB,我们从图中

    2024年02月10日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包