※ 引述《softwind (家家有本難唸的經)》之銘言： : ※ 引述《[email protected] (愚公)》之銘言： : : 我本來是說將\Sigma_1=V\LambdaV^T, where V is the orthonormal basis of : : the eigenvectors of \Sigma_1 : : So first, decompose \Sigma_1 as \sqrt{\Sigma_1}*\sqrt{\Sigma_1}, then choose : : x'=\sqrt{\Sigma_1}*x : : and then the original distribution becomes : : N_1\sim N(0, I) : : N_2\sim N(0, \Sigma_2') : : where \Sigma_2'=\sqrt{\Sigma_1}*\Sigma_2*\sqrt{\Sigma_1} : : Second, find the orthonormal basis of \Sigma_2', name it as V_2, : : then : : x"=V_2^{-1}*x' : : then : : N_1\sim N(0, I) : : N_2\sim N(0, diag{\lambda_1,...,\lambda_n}) : : Then the integral must becomes an much easier form. : : Remember to add the Jacobian matrix on the integrant during each : : transformation. (Maybe the Jacobian matrix is unnecessary, I'm not : : quite sure.) 事實上我的做法跟你的是一樣的(把你的兩個步驟合併就變成我看來的的做法了) 只是這樣我只需要求一次eigenvector matrix 就可以求出要同時對角化兩個矩陣的transform matrix了 只是因為有作whitening transform 所以這個transfrom matrix 不會是 orthogonal 因為symmetric matrix 相乘不一定是symmetric -1 -1 -1 -1 而且我的做法可以一次同時對角化Σ=cΣ1+(1-c)Σ2,Σ1 and Σ2 (參考書目: "Introduction to statistical pattern recognition",second edition Keinosuke Fukunnaga) 我看過將兩矩陣同時對角化講的最清楚的一本書(Chapter 2) 但是即使如此 還是積不出來 總覺得會要用到一些不直接的matrix恆等式的樣子 非常感謝你的idea 暫時可能就不想了 只是一題可做可不做的作業 --

※ 發信站: 批踢踢實業坊(ptt.csie.ntu.edu.tw) ◆ From: pc5.ee.ntu.edu.tw