Bernoulli-Gaussian分布
本文主要内容来自:S.Som and L.C.Potter, Sparsity Pattern Recovery in Bernoulli-Gaussian Signal Model.
对于稀疏信号x∈RN{\bf x}\in {\mathbb R}^Nx∈RN,我们考虑概率信号模型。假定集合S\mathcal SS的元素是从集合I={1,2,…,N}{\mathcal I}=\{1,2,\ldots,N\}I={1,2,…,N}中抽取出来的,其抽取方式是,集合I\mathcal II中每个元素i.i.d.地被包含于S\mathcal SS中(概率为p≪1p\ll1p≪1)。因此,支持集SSS的基数等于KKK的概率由下式给出
P[∣S∣=K]=(NK)pK(1−p)N−K.{\mathbb P}[|{\mathcal S}|=K]=\binom {N} {K}p^K(1-p)^{N-K}.P[∣S∣=K]=(KN)pK(1−p)N−K.为了强化稀疏性,我们也假定p<12p<\frac{1}{2}p<21。如果x\bf xx中某个元素的序号不在集合S\mathcal SS中,则该元素为零;否则,该元素为高斯分布,均值为μ1\mu_1μ1,方差为σ12\sigma_1^2σ12,即:
xi={0,i∉S∼N(μ1,σ12),i∈S∀i=1,2,...N.x_i={\Large\{}\begin{aligned} 0,&\ i \in \not{\mathcal S}\\ \sim{\mathcal N}(\mu_1,\sigma_1^2),&i\in {\mathcal S} \end{aligned}\quad \forall i=1,2,...N. xi={0,∼N(μ1,σ12), i∉Si∈S∀i=1,2,...N.如果用xS{\bf x}_{\mathcal S}xS表示所有序号在S\mathcal SS中的元素所构成的集合,则xS{\bf x}_{\mathcal S}xS满足分布:xS∼N(μ11∣S∣,σ12I∣S∣){\bf x}_{\mathcal S}\sim {\mathcal N}(\mu_1{\bf 1}_{|{\mathcal S}|},\sigma_1^2{\bf I}_{|{\mathcal S}|})xS∼N(μ11∣S∣,σ12I∣S∣)。因此,S\mathcal SS为信号向量x\bf xx的支持集,期望基数为E[∣S∣]=Np≪N{\mathbb E}[|{\mathcal S}|]=N_p\ll NE[∣S∣]=Np≪N,并且x\bf xx为稀疏的概率很大。这种Bernoulli-Gaussian模型在文献中非常常见[17-19],用来在不同应用领域中建模稀疏向量,而在压缩领域研究中,也越来越常用[10,20,21]。
[17] W. Cui and E. George, “Empirical Bayes vs. fully Bayes variable selection,” Journal of Statistical Planning and Inference, vol. 138, pp. 888–900, 2008.
[18] E. George and D. Foster, “Calibration and empirical Bayes variable selection,” Biometrika, vol. 88, pp. 731–747, 2000.
[19] I. M. Johnstone and B. W. Silverman, “Needles and straw in haystacks: Empirical Bayes estimates of possibly sparse sequences,” The Annals of Statistics, vol. 32, pp. 1594–1649, Aug. 2004.
[10] D. Guo, D. Baron, and S. Shamai, “A single-letter characterization of optimal noisy compressed sensing,” in Proc. 47th Allerton Conference on Communication, Control, and Computing, (Monticello, IL), September 2009.
[20] P. Schniter, L. C. Potter, and J. Ziniel, “Fast Bayesian matching pursuit: Model uncertainty and parameter estimation for sparse linear models,” Preprint, Aug. 2008.
[21] D. Baron, S. Sarvotham, and R. G. Baraniuk, “Bayesian compressive sensing via belief propagation,” To appear in IEEE Trans. Signal Processing, 2009.
Bernoulli-Gaussian分布相关推荐
- 机器学习中的数学——常用概率分布(五):高斯分布(Gaussian分布)/正态分布(Normal分布)
分类目录:<机器学习中的数学>总目录 相关文章: · 常用概率分布(一):伯努利分布(Bernoulli分布) · 常用概率分布(二):范畴分布(Multinoulli分布) · 常用概率 ...
- UQLab——其他概率分布随机变量转换标准Gaussian分布
1.使用UQLab将其他类型的随机变量转换成标准Gaussian分布: 2.使用科学计数法输出样本,方便后续ANSYS的调用分析: 3.基于MC的可靠度分析. 原随机变量分布类型: % 调用UQLab ...
- 理解:L1正则先验分布是Laplace分布,L2正则先验分布是Gaussian分布——复习篇
L1.L2正则化来源推导 L1L2的推导可以从两个角度: 带约束条件的优化求解(拉格朗日乘子法) 贝叶斯学派的:最大后验概率 1.1 基于约束条件的最优化 对于模型权重系数w的求解释通过最小化目标函数 ...
- 理解:L1正则先验分布是Laplace分布,L2正则先验分布是Gaussian分布
L1.L2正则化来源推导 L1L2的推导可以从两个角度: 带约束条件的优化求解(拉格朗日乘子法) 贝叶斯学派的:最大后验概率 1.1 基于约束条件的最优化 对于模型权重系数w的求解释通过最小化目标函数 ...
- 机器学习中的数学——常用概率分布(一):伯努利分布(Bernoulli分布)
分类目录:<机器学习中的数学>总目录 相关文章: · 常用概率分布(一):伯努利分布(Bernoulli分布) · 常用概率分布(二):范畴分布(Multinoulli分布) · 常用概率 ...
- 一文了解什么是指数族分布
前言 指数分布族是一系列分布的统称,包含连续和离散的相关分布.例如,正态分布(Gaussian).泊松分布(Poisson).二项分布(Bernoulli).指数分布(exponential).Gam ...
- 机器学习中的数学——常用概率分布(十一):狄利克雷分布(Dirichlet分布)
分类目录:<机器学习中的数学>总目录 相关文章: · 常用概率分布(一):伯努利分布(Bernoulli分布) · 常用概率分布(二):范畴分布(Multinoulli分布) · 常用概率 ...
- 机器学习中的数学——常用概率分布(九):经验分布(Empirical分布)
分类目录:<机器学习中的数学>总目录 相关文章: · 常用概率分布(一):伯努利分布(Bernoulli分布) · 常用概率分布(二):范畴分布(Multinoulli分布) · 常用概率 ...
- 机器学习中的数学——常用概率分布(四):均匀分布(Uniform分布)
分类目录:<机器学习中的数学>总目录 相关文章: · 常用概率分布(一):伯努利分布(Bernoulli分布) · 常用概率分布(二):范畴分布(Multinoulli分布) · 常用概率 ...
- 机器学习中的数学——常用概率分布(二):范畴分布(Multinoulli分布)
分类目录:<机器学习中的数学>总目录 相关文章: · 常用概率分布(一):伯努利分布(Bernoulli分布) · 常用概率分布(二):范畴分布(Multinoulli分布) · 常用概率 ...
最新文章
- 树和二叉树(四种遍历,建树)详解+二叉排序树(包含图像和相关习题)
- Python零碎知识(7):硬性出错
- 深入学习jQuery的三种常见动画效果
- linux修改ftp锁定目录,解决linux下ftp指定访问目录无法修改的问题
- 内存不能为read进不去桌面_四级报名进不去怎么办
- 光纤收发器的详细选择方法
- java createjpeg4_在linux下用java的JPEGCodec.createJPEGEncoder(bos)生成jpg图片问题
- (计算机组成原理)第七章输入和输出系统-第三节:I/O接口
- 免授权版傻瓜式建站系统
- Flutter中消息传递
- C++ 编译发现 error C2146: syntax error : missing ';' before identifier 'm_ctrlserver'
- 用c语言编程质数和合数,《质数和合数》教学设计
- 【云原生 | 21】Docker运行Web服务实战之Apache
- 北邮教授石川:图神经网络需要解决的几个关键问题
- 基于非结构网格的仿真——太湖之光上的巨大挑战
- 第二人生的源码分析(六十四)类LLCurlEasyRequest实现Http请求
- MSVCR110.dll缺失问题
- AT89S8253片内EEPROM字节读、字节写、页读、页写驱动代码、注意事项及注释
- 常用通信协议——IIC协议编程实现
- 修改Markdown表格对齐方式、markdown表格内单元格换行
热门文章
- MySQL数据库无法启动的简单排错
- [转]HTTP Error 502.5 - Process Failure asp.net core error in IIS
- Yarn 调度器Scheduler详解
- STC学习:振动传感器
- string字符串比较
- C程序设计--结构体(结构体和函数之间的参数使用)
- php有意思的小程序,这应该是迄今为止最全的小程序Top 100 榜单了,php中文网诚意奉上...
- 禁用 device/credential guard_iOS 13.3.1 Beta版中引入了禁用U1超宽带芯片的开关
- in作为介词的用法_思维导图:为孩子收藏——常出错的英语用法集锦
- linux 共享内存管理,什么是物理/虚拟/共享内存——Linux内存管理小结一