0
点赞
收藏
分享

微信扫一扫

《机器人学中的状态估计》第二章习题作业

杰森wang 2022-04-24 阅读 27
自动化

L1_homework

第一题

证明高斯分布积分为1,即 1 = ∫ − ∞ + ∞ 1 2 π δ 2 e x p ( − ( x − μ ) 2 2 δ 2 ) d x 1=\int^{+\infty}_{-\infty}\frac{1}{\sqrt{2\pi\delta ^ {2}}}exp\big(-\frac{(x-\mu)^2}{2\delta ^2}\big)dx 1=+2πδ2 1exp(2δ2(xμ)2)dx

证:
设 I = ∫ − ∞ + ∞ 1 2 π δ 2 e x p ( − ( x − μ x ) 2 2 δ 2 ) d x 设I=\int^{+\infty}_{-\infty}\frac{1}{\sqrt{2\pi\delta ^ {2}}}exp\big(-\frac{(x-\mu_x)^2}{2\delta ^2}\big)dx I=+2πδ2 1exp(2δ2(xμx)2)dx

= ∫ − ∞ + ∞ 1 2 π δ 2 e x p ( − ( y − μ y ) 2 2 δ 2 ) d y =\int^{+\infty}_{-\infty}\frac{1}{\sqrt{2\pi\delta ^ {2}}}exp\big(-\frac{(y-\mu_y)^2}{2\delta ^2}\big)dy =+2πδ2 1exp(2δ2(yμy)2)dy

则:
I 2 = 1 2 π δ 2 ∫ − ∞ + ∞ ∫ − ∞ + ∞ e x p ( − 1 2 δ 2 [ ( x − μ x ) 2 + ( y − μ y ) 2 ] ) d x d y I^2=\frac{1}{2\pi\delta ^ {2}}\int^{+\infty}_{-\infty}\int^{+\infty}_{-\infty}exp\big(-\frac{1}{2\delta^2}\big[(x-\mu_x)^2+(y-\mu_y)^2\big]\big)dxdy I2=2πδ21++exp(2δ21[(xμx)2+(yμy)2])dxdy
令:
x − μ x = r cos ⁡ θ , y − μ y = r sin ⁡ θ x-\mu_x=r\cos{\theta} , y-\mu_y=r\sin{\theta} xμx=rcosθ,yμy=rsinθ

则有:
d x d y = det ⁡ ∣ J ∣ d r d θ dxdy=\det |J| d{r}d{\theta} dxdy=detJdrdθ

det ⁡ ∣ J ∣ = ∣ cos ⁡ θ sin ⁡ θ − r sin ⁡ θ r cos ⁡ θ ∣ = r \det|J| =\big|\begin{matrix}\cos{\theta}&\sin{\theta}\\-r\sin{\theta}&r\cos{\theta}\end{matrix} \big|=r detJ=cosθrsinθsinθrcosθ=r

带入前式:
I 2 = 1 2 π δ 2 ∫ 0 2 π ∫ 0 + ∞ e x p ( − r 2 2 δ 2 ) r d r d θ I^2=\frac{1}{2\pi\delta ^ {2}}\int^{2\pi}_{0}\int^{+\infty}_{0}exp\big(-\frac{r^2}{2\delta^2}\big)rdrd{\theta} I2=2πδ2102π0+exp(2δ2r2)rdrdθ

= 1 2 π δ 2 ∗ δ 2 ∫ 0 2 π d θ = 1 =\frac{1}{2\pi\delta ^ {2}} * \delta^2 \int^{2\pi}_{0}d{\theta}=1 =2πδ21δ202πdθ=1

∫ − ∞ + ∞ 1 2 π δ 2 e x p ( − ( x − μ ) 2 2 δ 2 ) d x = I = 1 \int^{+\infty}_{-\infty}\frac{1}{\sqrt{2\pi\delta ^ {2}}}exp\big(-\frac{(x-\mu)^2}{2\delta ^2}\big)dx = I=1 +2πδ2 1exp(2δ2(xμ)2)dx=I=1

第二题

假设 u , v u,v u,v时两个相同维度的列向量,请证明等式: u T v = t r ( v u T ) u^Tv=tr(vu^T) uTv=tr(vuT)

证:
u = [ x 1 x 2 ⋯ x n ] , v = v = [ y 1 y 2 ⋯ y n ] u=\left[\begin{matrix}x_1\\x_2\\\cdots\\x_n\end{matrix}\right] , v=v=\left[\begin{matrix}y_1\\y_2\\\cdots\\y_n\end{matrix}\right] u=x1x2xn,v=v=y1y2yn

u T v = [ x 1 x 2 ⋯ x n ] [ y 1 y 2 ⋯ y n ] = x 1 y 1 + x 2 y 2 + ⋯ + x n y n u^Tv=\left[\begin{matrix}x_1&x_2&\cdots&x_n\end{matrix}\right] \left[\begin{matrix}y_1\\y_2\\\cdots\\y_n\end{matrix}\right]=x_1y_1+x_2y_2+\cdots+x_ny_n uTv=[x1x2xn]y1y2yn=x1y1+x2y2++xnyn

v u T = [ y 1 y 2 ⋯ y n ] [ x 1 x 2 ⋯ x n ] = [ x 1 y 1 x 2 y 1 ⋯ x n y 1 x 1 y 2 x 2 y 2 … x n y 2 ⋮ ⋮ ⋱ ⋮ x 1 y 3 x 2 y 3 ⋯ x n y n ] vu^T=\left[\begin{matrix}y_1\\y_2\\\cdots\\y_n\end{matrix}\right]\left[\begin{matrix}x_1&x_2&\cdots&x_n\end{matrix}\right]=\left[\begin{matrix}x_1y_1&x_2y_1&\cdots&x_ny_1\\x_1y_2&x_2y_2&\dots&x_ny_2\\\vdots&\vdots&\ddots&\vdots\\x_1y_3&x_2y_3&\cdots&x_ny_n\end{matrix}\right] vuT=y1y2yn[x1x2xn]=x1y1x1y2x1y3x2y1x2y2x2y3xny1xny2xnyn

t r ( v u T ) = x 1 y 1 + x 2 y 2 + ⋯ + x n y n = u T v tr(vu^T)=x_1y_1+x_2y_2+\cdots+x_ny_n=u^Tv tr(vuT)=x1y1+x2y2++xnyn=uTv

第三题

对于高斯分布的随机变量, x ~ N ( μ , Σ ) x~N(\mu , \Sigma) xN(μ,Σ),请证明等式: μ = E [ x ] = ∫ − ∞ + ∞ x p ( x ) d x \mu=E[x]=\int^{+\infty}_{-\infty}xp(x)dx μ=E[x]=+xp(x)dx

证:
∫ − ∞ + ∞ x p ( x ) d x = 1 2 π δ 2 ∫ − ∞ + ∞ x e x p ( − ( x − μ ) 2 2 δ 2 ) d x \int^{+\infty}_{-\infty}xp(x)dx=\frac{1}{\sqrt{2\pi\delta ^ {2}}}\int^{+\infty}_{-\infty}xexp\big(-\frac{(x-\mu)^2}{2\delta ^2}\big)dx +xp(x)dx=2πδ2 1+xexp(2δ2(xμ)2)dx

= 1 2 π δ 2 ( − δ 2 e x p ( − ( x − μ ) 2 2 δ 2 ) ∣ − ∞ + ∞ + ∫ − ∞ + ∞ μ e x p ( − ( x − μ ) 2 2 δ 2 ) d x ) =\left .\frac{1}{\sqrt{2\pi\delta ^ {2}}}\big(-\delta^2exp\big(-\frac{(x-\mu)^2}{2\delta ^2}\big)\right|^{+\infty}_{-\infty}+\int^{+\infty}_{-\infty}\mu exp\big(-\frac{(x-\mu)^2}{2\delta ^2}\big)dx\big) =2πδ2 1(δ2exp(2δ2(xμ)2)+++μexp(2δ2(xμ)2)dx)

= 0 + μ = μ = E [ x ] =0+\mu=\mu=E[x] =0+μ=μ=E[x]
注:此题直接使用到第一题的结论。

第四题

对于高斯分布的随机变量, x   N ( μ , Σ ) x~N(\mu , \Sigma) x N(μ,Σ),请证明如下等式:
Σ = E [ ( x − μ ) ( x − μ ) T ] = ∫ − ∞ + ∞ ( x − μ ) ( x − μ ) T p ( x ) d x \Sigma = E[(x-\mu)(x-\mu)^T]=\int^{+\infty}_{-\infty}(x-\mu)(x-\mu)^Tp(x)dx Σ=E[(xμ)(xμ)T]=+(xμ)(xμ)Tp(x)dx

证:

X = x − μ X=x-\mu X=xμ,则:
∫ − ∞ + ∞ ( x − μ ) ( x − μ ) T p ( x ) d x = 1 2 π Σ ∫ − ∞ + ∞ X 2 e x p ( − X 2 2 Σ ) d X \int^{+\infty}_{-\infty}(x-\mu)(x-\mu)^Tp(x)dx=\frac{1}{\sqrt{2\pi\Sigma}}\int^{+\infty}_{-\infty}X^2exp\big(-\frac{X^2}{2\Sigma}\big)dX +(xμ)(xμ)Tp(x)dx=2πΣ 1+X2exp(2ΣX2)dX

= 1 2 π Σ [ − Σ X e x p ( − X 2 2 Σ ) + Σ ∫ e x p ( − X 2 2 Σ ) ) ] ∣ − ∞ + ∞ =\left .\frac{1}{\sqrt{2\pi\Sigma}}\left[-\Sigma X exp\big(-\frac{X^2}{2\Sigma}\big)+\Sigma\int exp(-\frac{X^2}{2\Sigma}))\right]\right|^{+\infty}_{-\infty} =2πΣ 1[ΣXexp(2ΣX2)+Σexp(2ΣX2))]+

= 1 2 π Σ ( 0 + Σ ∫ − ∞ + ∞ e x p ( − X 2 2 Σ ) ) = 1 2 π Σ ∗ Σ ∗ 2 π Σ = Σ =\frac{1}{\sqrt{2\pi\Sigma}} \left(0+\Sigma \int^{+\infty}_{-\infty}exp \big(-\frac{X^2}{2\Sigma}\big)\right)=\frac{1}{\sqrt{2\pi\Sigma}}*\Sigma*\sqrt{2\pi\Sigma}=\Sigma =2πΣ 1(0+Σ+exp(2ΣX2))=2πΣ 1Σ2πΣ =Σ

注:此题使用部分积分,并直接使用到第一题的结论。

第五题

对于K个相互独立的高斯变量, x k   N ( μ k , Σ k ) x_k ~ N(\mu_k , \Sigma_k) xk N(μk,Σk),请证明他们的归一化积仍然是高斯分布:
e x p ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) = η ∏ k = 1 K e x p ( − 1 2 ( x k − μ k ) T Σ k − 1 ( x k − μ k ) ) exp \left(-\frac{1}{2}\big(x-\mu\big)^T\Sigma^{-1}\big(x-\mu\big)\right)=\eta \prod^K_{k=1}exp\big(-\frac{1}{2}\big(x_k-\mu_k\big)^T\Sigma^{-1}_k\big(x_k-\mu_k\big)\big) exp(21(xμ)TΣ1(xμ))=ηk=1Kexp(21(xkμk)TΣk1(xkμk))
其中:
Σ − 1 = ∑ k = 1 K Σ k − 1 , Σ − 1 μ = ∑ k = 1 K Σ k − 1 μ k \Sigma^{-1}=\sum_{k=1}^K\Sigma^{-1}_k,\Sigma^{-1}\mu=\sum_{k=1}^K\Sigma^{-1}_k\mu_k Σ1=k=1KΣk1,Σ1μ=k=1KΣk1μk
η \eta η为归一化因子。

证:
∏ k = 1 K 1 2 π Σ k e x p ( − 1 2 ( x k − μ k ) T Σ k − 1 ( x k − μ k ) ) \prod^K_{k=1}\frac{1}{\sqrt{2\pi\Sigma_k}}exp\big(-\frac{1}{2}\big(x_k-\mu_k\big)^T\Sigma^{-1}_k\big(x_k-\mu_k\big)\big) k=1K2πΣk 1exp(21(xkμk)TΣk1(xkμk))

= ∏ k = 1 K 1 2 π Σ k ∗ e x p ( ∑ k = 1 K − 1 2 ( x k − μ k ) T Σ k − 1 ( x k − μ k ) ) =\prod^K_{k=1}\frac{1}{\sqrt{2\pi\Sigma_k}}*exp(\sum_{k=1}^K-\frac{1}{2}\big(x_k-\mu_k\big)^T\Sigma^{-1}_k\big(x_k-\mu_k\big)) =k=1K2πΣk 1exp(k=1K21(xkμk)TΣk1(xkμk))

= ∏ k = 1 K 1 2 π Σ k ∗ ∏ k = 1 K e x p ( − 1 2 ( x k T Σ k − 1 x k − x k T Σ k − 1 μ k − μ k T Σ k − 1 x k − μ k T Σ k − 1 μ k ) ) =\prod^K_{k=1}\frac{1}{\sqrt{2\pi\Sigma_k}}*\prod^K_{k=1}exp(-\frac{1}{2}\big(x_k^T\Sigma^{-1}_kx_k-x_k^T\Sigma^{-1}_k\mu_k-\mu_k^T\Sigma^{-1}_kx_k-\mu_k^T\Sigma^{-1}_k\mu_k\big)) =k=1K2πΣk 1k=1Kexp(21(xkTΣk1xkxkTΣk1μkμkTΣk1xkμkTΣk1μk))

= ∏ k = 1 K 1 2 π Σ k ∗ e x p ( − 1 2 ( x T ∑ k = 1 K Σ k − 1 x − x T ∑ k = 1 K Σ k − 1 μ k − ∑ k = 1 K μ k T Σ k − 1 x − ∑ k = 1 K μ k T Σ k − 1 μ k ) ) =\prod^K_{k=1}\frac{1}{\sqrt{2\pi\Sigma_k}}*exp(-\frac{1}{2}\big(x^T\sum^K_{k=1}\Sigma^{-1}_kx-x^T\sum^K_{k=1}\Sigma^{-1}_k\mu_k-\sum^K_{k=1}\mu_k^T\Sigma^{-1}_kx-\sum^K_{k=1}\mu_k^T\Sigma^{-1}_k\mu_k\big)) =k=1K2πΣk 1exp(21(xTk=1KΣk1xxTk=1KΣk1μkk=1KμkTΣk1xk=1KμkTΣk1μk))

令:
A = ∑ k = 1 K Σ k − 1 μ k , Σ − 1 = ∑ k = 1 K Σ k − 1 , M = A T Σ − 1 A A= \sum_{k=1}^K\Sigma^{-1}_k\mu_k, \Sigma^{-1}=\sum_{k=1}^K\Sigma^{-1}_k ,M=A^T\Sigma^{-1} A A=k=1KΣk1μk,Σ1=k=1KΣk1,M=ATΣ1A

带入前式,得到:
= η e x p ( − 1 2 ( x T ∑ k = 1 K Σ k − 1 x − x T ∑ k = 1 K Σ k − 1 μ k − ∑ k = 1 K μ k T Σ k − 1 x − ∑ k = 1 K μ k T Σ k − 1 μ k ) ) =\eta exp(-\frac{1}{2}\big(x^T\sum^K_{k=1}\Sigma^{-1}_kx-x^T\sum^K_{k=1}\Sigma^{-1}_k\mu_k-\sum^K_{k=1}\mu_k^T\Sigma^{-1}_kx-\sum^K_{k=1}\mu_k^T\Sigma^{-1}_k\mu_k\big)) =ηexp(21(xTk=1KΣk1xxTk=1KΣk1μkk=1KμkTΣk1xk=1KμkTΣk1μk))

= η e x p [ − 1 2 ( x T ∑ k = 1 K Σ k − 1 x − x T ∑ k = 1 K Σ k − 1 μ k − ∑ k = 1 K μ k T Σ k − 1 x + M ) + 1 2 M + 1 2 ∑ k = 1 K μ k T Σ k − 1 μ k ] =\eta exp \left[-\frac{1}{2}\big(x^T\sum^K_{k=1}\Sigma^{-1}_kx-x^T\sum^K_{k=1}\Sigma^{-1}_k\mu_k-\sum^K_{k=1}\mu_k^T\Sigma^{-1}_kx+M\big)+\frac{1}{2}M+\frac{1}{2}\sum^K_{k=1}\mu_k^T\Sigma^{-1}_k\mu_k\right] =ηexp[21(xTk=1KΣk1xxTk=1KΣk1μkk=1KμkTΣk1x+M)+21M+21k=1KμkTΣk1μk]

= η e x p [ 1 2 M + 1 2 ∑ k = 1 K μ k T Σ k − 1 μ k ] e x p [ − 1 2 ( x T Σ − 1 x − x T A − A T x + A T Σ − 1 A ) ] =\eta exp \left[\frac{1}{2}M+\frac{1}{2}\sum^K_{k=1}\mu_k^T\Sigma^{-1}_k\mu_k\right] exp\left[-\frac{1}{2}\big(x^T\Sigma^{-1}x-x^TA-A^Tx+A^T\Sigma^{-1} A\big)\right] =ηexp[21M+21k=1KμkTΣk1μk]exp[21(xTΣ1xxTAATx+ATΣ1A)]

= η ′ e x p [ − 1 2 ( x T Σ − 1 x − x T Σ − 1 ( Σ − 1 ) − 1 A − A T ( Σ − 1 ) − 1 Σ − 1 x + A T Σ − 1 A ) ] =\eta^{'}exp\left[-\frac{1}{2}\big(x^T\Sigma^{-1}x-x^T\Sigma^{-1}(\Sigma ^{-1})^{-1}A-A^T(\Sigma ^{-1})^{-1}\Sigma^{-1}x+A^T\Sigma^{-1} A\big)\right] =ηexp[21(xTΣ1xxTΣ1(Σ1)1AAT(Σ1)1Σ1x+ATΣ1A)]

= η ′ e x p ( − 1 2 [ x − ( Σ − 1 ) − 1 A ] T Σ − 1 [ x − ( Σ − 1 ) − 1 A ] ) =\eta^{'}exp\left(-\frac{1}{2}[x-(\Sigma ^{-1})^{-1}A]^T\Sigma^{-1}[x-(\Sigma^{-1})^{-1}A]\right) =ηexp(21[x(Σ1)1A]TΣ1[x(Σ1)1A])

所以:
μ = ( Σ − 1 ) − 1 A = ( Σ − 1 ) − 1 ∑ k = 1 K Σ k − 1 μ k , Σ − 1 = ∑ k = 1 K Σ k − 1 \mu=(\Sigma ^{-1})^{-1}A=(\Sigma ^{-1})^{-1}\sum_{k=1}^K\Sigma^{-1}_k\mu_k , \Sigma^{-1}=\sum_{k=1}^K\Sigma^{-1}_k μ=(Σ1)1A=(Σ1)1k=1KΣk1μk,Σ1=k=1KΣk1

注:如有错误,欢迎指正。

举报

相关推荐

0 条评论