1. 列维过程的混沌及可料表示(2)
3. 表示性质
3.1 Levy过程幂的表示
目标:将Levy过程的幂(Xt+t0−Xt0)k,t0,t≥0,k=1,2,3,...(X_{t+t_0}-X_{t_0})^k,t_0,t\geq0,k=1,2,3,...(Xt+t0−Xt0)k,t0,t≥0,k=1,2,3,...写成关于正交过程H(j),j=1,...,kH^{(j)},j=1,...,kH(j),j=1,...,k随机积分之和。
第一步:将Levy过程的幂(Xt+t0−Xt0)k,t0,t≥0,k=1,2,3,...(X_{t+t_0}-X_{t_0})^k,t_0,t\geq0,k=1,2,3,...(Xt+t0−Xt0)k,t0,t≥0,k=1,2,3,...写成关于Teugels martingale过程Y(j),j=1,...,kY^{(j)},j=1,...,kY(j),j=1,...,k随机积分之和。
对于k=1k=1k=1,有
对于k≥2k\geq 2k≥2,有下式,其中第一步利用半鞅的Ito引理(Protter,2005,P82),
证明:在(2)的第一项中引入X的补偿过程Y,得到
结合(2)和(4)可得
用Y替代X推导下去(参见以下示例),可得表达式(3)。||||
作为示例,给出k=1;2,t0=0,σ2=0k=1;2,t_0=0,\sigma^2 = 0k=1;2,t0=0,σ2=0下的f(i1,...,ij)(k)f^{(k)}_{(i_1,...,i_j)}f(i1,...,ij)(k)。
- 对于k=1k=1k=1,Xt1=Yt(1)+m1tX^1_t = Y^{(1)}_t+m_1tXt1=Yt(1)+m1t, 可得f(1)(t)=m1t,f(1)(1)(t;0;t1)=1.f^{(1)}(t) = m_1t , f_{(1)}^{(1)} (t; 0; t_1) = 1.f(1)(t)=m1t,f(1)(1)(t;0;t1)=1.
- 对于k=2k=2k=2
可得:
式(3)的性质:
- 对式(3)求期望
它独立于t0t_0t0。(由于X是齐次的,所以与t0t_0t0独立,Y是补偿过程,期望为0) - f(i1,...,ij)(k)f^{(k)}_{(i_1,...,i_j)}f(i1,...,ij)(k)仅为小于k的实多变量多项式,对于i1+...+ij>ki_1+...+i_j>ki1+...+ij>k,有f(i1,...,ij)(k)=0f^{(k)}_{(i_1,...,i_j)}=0f(i1,...,ij)(k)=0
第二步:将Levy过程的幂(Xt+t0−Xt0)k,t0,t≥0,k=1,2,3,...(X_{t+t_0}-X_{t_0})^k,t_0,t\geq0,k=1,2,3,...(Xt+t0−Xt0)k,t0,t≥0,k=1,2,3,...写成关于正交过程H(j),j=1,...,kH^{(j)},j=1,...,kH(j),j=1,...,k随机积分之和。
3.2. 平方可积随机变量的表示
定义:
对于任何给定的ϵ>0\epsilon >0ϵ>0,都存在一个有限集合{0<s1<⋅⋅⋅<sm}\{0<s_1< ···<s_m\}{0<s1<⋅⋅⋅<sm}和一个平方可积随机变量Zϵ∈L2(Ω,σ(Xs1,Xs2,...,Xsm))Z_\epsilon \in L^2(\Omega,\sigma (X_{s_1},X_{s_2},...,X_{s_m}))Zϵ∈L2(Ω,σ(Xs1,Xs2,...,Xsm))
1. 列维过程的混沌及可料表示(2)相关推荐
- 1. 列维过程的混沌及可料表示(1)
最近对Levy过程驱动的正倒向随机微分方程感兴趣,看些论文,做些笔记,这一篇是David Nualart,Wim Schoutens在2000年发表于Stochastic Processes and ...
- Levy process(列维过程)
目录 Levy过程 加法过程 无限可分性 Levy过程 在概率论中,以法国数学家PaulLévy的名字命名的Lévy process(Levy过程)是具有独立的,固定的增量的随机过程:它表示点的运动, ...
- 0. 正规鞅的混沌及可料表示
1. 正规鞅和CRP 1.1 可料表示性质 局部鞅Z具有可料表示性质(PRP),如果对于任何局部鞅M存在一个可料的.Z可积分的过程H满足 这一概念具有相当大的内在意义:众所周知,它相当于(当初始滤波是 ...
- 混沌神经网络(Chaos Neural Network)
基本概念 吸引子:系统有朝着某个稳态发展的趋势,这个稳态就叫做吸引子.吸引子又分为平庸吸引子和奇异吸引子. 平庸吸引子:有不动点(平衡).极限环(周期运动)和整数维环面(概周期运动)三种模式.(不动点 ...
- 神经网络建模的基本思想,人工神经网络建模过程
神经网络建模问题 谷歌人工智能写作项目:神经网络伪原创 神经网络优缺点, 优点:(1)具有自学习功能写作猫.例如实现图像识别时,只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会 ...
- 同创永益CTO郑阳受邀在清华MEM大讲堂分享“混沌工程在复杂业务稳定性中的应用”
2022年3月30日下午,清华MEM大讲堂第65期在线上举行,同创永益CTO郑阳受邀在大讲堂详细分享企业数字化转型过程中"混沌工程在复杂业务稳定性中的应用".清华MEM大讲堂是清华 ...
- 参加管理课程所获的 之一
CEO最重要的能力是什么.应该是归因能力.也就是说,一个CEO要能知道,自己或者公司做的某件事,某个决策的成或者不成,原因究竟是什么. 创业公司的CEO 要能非常清醒地认知自己的公司到底是做对了那些才 ...
- 【分享】费曼技巧---以教促学
一.什么是费曼技巧? 这个技巧的灵感,源于诺贝尔物理奖获得者,理查德·费曼(Richard Feynman).在他的自传里,他提到曾 纠结于某篇艰深的研究论文.他的办法是,仔细审阅这篇论文的辅助材料( ...
- 社会神经网络有哪些,神经网络的神经网络
神经网络的发展趋势如何? . 神经网络的云集成模式还不是很成熟,应该有发展潜力,但神经网络有自己的硬伤,不知道能够达到怎样的效果,所以决策支持系统中并不是很热门,但是神经网络无视过程的优点也是无可替代 ...
最新文章
- css重叠边界,关于css:两个重叠元素上的边界半径; 背景闪耀
- python代码编辑器-世界上最好的Python编辑器是什么?
- 鸿蒙硬件HI3861开发环境搭建
- 孩子们的游戏(圆圈中最后剩下的数)
- linux动态库路径生效,Linux下如何解决动态库的链接问题
- 2018-12-20 第二章Java 预习作业
- Python语言编写有趣练习题!
- 想了解能源互联网?看这篇就够了
- gradle下载与配置
- linux du -h按文件大小,linux中du的用法
- Word论文排版技能积累
- 东大22春领导科学与决策X《领导科学与决策》在线平时作业2题目非答案
- 【工程师整活】Ai-WB1-A1S实现离线语音+APP+天猫精灵控制风扇
- 去掉选中div后出现的高亮淡蓝色边框
- MySQL索引(详细,1万字长文)
- WPS 中添加MathType插件
- 网络是黄色的叹号,上不了网,DHCP占用CPU高
- FtpServer的安装配置方法
- 657. 判断路线成圈
- 51单片机“密码锁”代码详解