Pirinç dağıtımı - Rice distribution - Wikipedia

2B düzlemde, uzaktan sabit bir nokta seçin ν kökeninden. Bu noktanın etrafında ortalanmış bir 2B nokta dağılımı oluşturun. x ve y koordinatlar, bir Gauss dağılımı standart sapma ile σ (mavi bölge). Eğer R bu noktalardan başlangıç ​​noktasına olan uzaklık, o zaman R Rice dağıtımına sahiptir.

Olasılık yoğunluk işlevi
Kümülatif dağılım fonksiyonu
Parametreler	${ displaystyle nu geq 0}$, referans noktası ile iki değişkenli dağılımın merkezi arasındaki mesafe, ${ displaystyle sigma geq 0}$, yayılmış
Destek	${ displaystyle x in [0, infty)}$
PDF	${ displaystyle { frac {x} { sigma ^ {2}}} exp sol ({ frac {- (x ^ {2} + nu ^ {2})} {2 sigma ^ {2 }}} sağ) I_ {0} sol ({ frac {x nu} { sigma ^ {2}}} sağ)}$
CDF	${ displaystyle 1-Q_ {1} sol ({ frac { nu} { sigma}}, { frac {x} { sigma}} sağ)}$ nerede Q1 ... Marcum Q işlevi
Anlamına gelmek	${ displaystyle sigma { sqrt { pi / 2}} , , L_ {1/2} (- nu ^ {2} / 2 sigma ^ {2})}$
Varyans	${ displaystyle 2 sigma ^ {2} + nu ^ {2} - { frac { pi sigma ^ {2}} {2}} L_ {1/2} ^ {2} sol ({ frac {- nu ^ {2}} {2 sigma ^ {2}}} sağ)}$
Çarpıklık	(karmaşık)
Örn. Basıklık	(karmaşık)

İçinde olasılık teorisi, Pirinç dağıtımı veya Rician dağılımı (veya daha az yaygın olarak Ricean dağılımı) olasılık dağılımı dairesel simetrik büyüklüğün iki değişkenli normal rastgele değişken, muhtemelen sıfır olmayan ortalamayla (merkezsiz). Adını aldı Stephen O. Rice.

Karakterizasyon

olasılık yoğunluk fonksiyonu dır-dir

${ displaystyle f (x orta nu, sigma) = { frac {x} { sigma ^ {2}}} exp sol ({ frac {- (x ^ {2} + nu ^ {2})} {2 sigma ^ {2}}} sağ) I_ {0} left ({ frac {x nu} { sigma ^ {2}}} sağ),}$

nerede ben₀(z) değiştirilmiştir Bessel işlevi birinci türden sıfır dereceli.

Bağlamında Rician solma, dağıtım genellikle de yeniden yazılır Şekil Parametresi ${ displaystyle K = { frac { nu ^ {2}} {2 sigma ^ {2}}}}$, görüş hattı yolunun güç katkılarının kalan çoklu yollara oranı olarak tanımlanır ve Ölçek parametresi ${ displaystyle Omega = nu ^ {2} +2 sigma ^ {2}}$, tüm yollarda alınan toplam güç olarak tanımlanır.^[1]

karakteristik fonksiyon Pirinç dağılımı şu şekilde verilmiştir:^[2][3]

${ displaystyle { başlar {hizalı} chi _ {X} (t orta nu, sigma) = exp sol (- { frac { nu ^ {2}} {2 sigma ^ {2 }}} sağ) & sol [ Psi _ {2} left (1; 1, { frac {1} {2}}; { frac { nu ^ {2}} {2 sigma ^ {2}}}, - { frac {1} {2}} sigma ^ {2} t ^ {2} right) right. [8pt] & left. {} + İ { sqrt {2}} sigma t Psi _ {2} left ({ frac {3} {2}}; 1, { frac {3} {2}}; { frac { nu ^ {2} } {2 sigma ^ {2}}}, - { frac {1} {2}} sigma ^ {2} t ^ {2} sağ) sağ], end {hizalı}}}$

nerede ${ displaystyle Psi _ {2} sol ( alpha; gamma, gamma '; x, y sağ)}$ biridir Horn'un birleşik hipergeometrik fonksiyonları iki değişkenli ve tüm sonlu değerler için yakınsak ${ displaystyle x}$ ve ${ displaystyle y}$. Tarafından verilir:^[4][5]

${ displaystyle Psi _ {2} sol ( alpha; gamma, gamma '; x, y sağ) = toplamı _ {n = 0} ^ { infty} toplamı _ {m = 0} ^ { infty} { frac {( alpha) _ {m + n}} {( gamma) _ {m} ( gamma ') _ {n}}} { frac {x ^ {m} y ^ {n}} {m! n!}},}$

nerede

${ displaystyle (x) _ {n} = x (x + 1) cdots (x + n-1) = { frac { Gama (x + n)} { Gama (x)}}}$

... yükselen faktör.

Özellikleri

Anlar

İlk birkaç ham anlar şunlardır:

${ displaystyle mu _ {1} ^ {'} = sigma { sqrt { pi / 2}} , , L_ {1/2} (- nu ^ {2} / 2 sigma ^ { 2})}$

${ displaystyle mu _ {2} ^ {'} = 2 sigma ^ {2} + nu ^ {2} ,}$

${ displaystyle mu _ {3} ^ {'} = 3 sigma ^ {3} { sqrt { pi / 2}} , , L_ {3/2} (- nu ^ {2} / 2 sigma ^ {2})}$

${ displaystyle mu _ {4} ^ {'} = 8 sigma ^ {4} +8 sigma ^ {2} nu ^ {2} + nu ^ {4} ,}$

${ displaystyle mu _ {5} ^ {'} = 15 sigma ^ {5} { sqrt { pi / 2}} , , L_ {5/2} (- nu ^ {2} / 2 sigma ^ {2})}$

${ displaystyle mu _ {6} ^ {'} = 48 sigma ^ {6} +72 sigma ^ {4} nu ^ {2} +18 sigma ^ {2} nu ^ {4} + nu ^ {6} ,}$

ve genel olarak ham anlar şu şekilde verilir:

${ displaystyle mu _ {k} ^ {'} = sigma ^ {k} 2 ^ {k / 2} , Gama (1 ! + ! k / 2) , L_ {k / 2} (- nu ^ {2} / 2 sigma ^ {2}). ,}$

Buraya L_q(x) bir Laguerre polinomu:

${ displaystyle L_ {q} (x) = L_ {q} ^ {(0)} (x) = M (-q, 1, x) = , _ {1} F_ {1} (- q; 1 ; x)}$

nerede ${ displaystyle M (a, b, z) = _ {1} F_ {1} (a; b; z)}$ ... birleşik hipergeometrik fonksiyon birinci türden. Ne zaman k eşittir, ham momentler σ'da basit polinomlara dönüşür ve νyukarıdaki örneklerde olduğu gibi.

Dava için q = 1/2:

${ displaystyle { begin {align} L_ {1/2} (x) & = , _ {1} F_ {1} left (- { frac {1} {2}}; 1; x sağ ) & = e ^ {x / 2} left [ left (1-x right) I_ {0} left (- { frac {x} {2}} sağ) -xI_ {1} left (- { frac {x} {2}} sağ) sağ]. end {hizalı}}}$

İkinci merkezi an, varyans, dır-dir

${ displaystyle mu _ {2} = 2 sigma ^ {2} + nu ^ {2} - ( pi sigma ^ {2} / 2) , L_ {1/2} ^ {2} ( - nu ^ {2} / 2 sigma ^ {2}).}$

Bunu not et ${ displaystyle L_ {1/2} ^ {2} ( cdot)}$ Laguerre polinomunun karesini gösterir ${ displaystyle L_ {1/2} ( cdot)}$, genelleştirilmiş Laguerre polinomu değil ${ displaystyle L_ {1/2} ^ {(2)} ( cdot).}$

İlgili dağılımlar

• ${ displaystyle R sim mathrm {Pirinç} sol (| nu |, sigma sağ)}$ Eğer ${ displaystyle R = { sqrt {X ^ {2} + Y ^ {2}}}}$ nerede ${ Displaystyle X sim N sol ( nu cos theta, sigma ^ {2} sağ)}$ ve ${ Displaystyle Y sim N sol ( nu sin teta, sigma ^ {2} sağ)}$ istatistiksel olarak bağımsız normal rastgele değişkenlerdir ve ${ displaystyle theta}$ herhangi bir gerçek sayıdır.
• Başka bir durum ${ displaystyle R sim mathrm {Pirinç} sol ( nu, sigma sağ)}$ aşağıdaki adımlardan gelir:

1. Oluştur ${ displaystyle P}$ sahip olmak Poisson Dağılımı parametresiyle (ayrıca bir Poisson için ortalama) ${ displaystyle lambda = { frac { nu ^ {2}} {2 sigma ^ {2}}}.}$

2. Oluştur ${ displaystyle X}$ sahip olmak ki-kare dağılımı ile 2P + 2 özgürlük derecesi.

3. Ayarla ${ displaystyle R = sigma { sqrt {X}}.}$

• Eğer ${ displaystyle R sim operatorname {Pirinç} ( nu, 1)}$ sonra ${ displaystyle R ^ {2}}$ var merkezsiz ki-kare dağılımı iki serbestlik derecesi ve merkeziyetsizlik parametresi ile ${ displaystyle nu ^ {2}}$.
• Eğer ${ displaystyle R sim operatorname {Pirinç} ( nu, 1)}$ sonra ${ displaystyle R}$ var merkezi olmayan chi dağılımı iki serbestlik derecesi ve merkeziyetsizlik parametresi ile ${ displaystyle nu}$.
• Eğer ${ displaystyle R sim operatorname {Pirinç} (0, sigma)}$ sonra ${ displaystyle R sim operatöradı {Rayleigh} ( sigma)}$, yani Pirinç dağıtımının özel durumu için ${ displaystyle nu = 0}$dağıtım, Rayleigh dağılımı, bunun için varyans ${ displaystyle mu _ {2} = { frac {4- pi} {2}} sigma ^ {2}}$.
• Eğer ${ displaystyle R sim operatorname {Pirinç} (0, sigma)}$ sonra ${ displaystyle R ^ {2}}$ var üstel dağılım.^[6]
• Eğer ${ displaystyle R sim operatorname {Pirinç} sol ( nu, sigma sağ)}$ sonra ${ displaystyle 1 / R}$ Ters Rician dağılımına sahiptir.^[7]

• katlanmış normal dağılım Rice dağılımının tek değişkenli özel halidir.

Durumları sınırlama

Argümanın büyük değerleri için Laguerre polinomu,^[8]

${ displaystyle lim _ {x rightarrow - infty} L _ { nu} (x) = { frac {| x | ^ { nu}} { Gama (1+ nu)}}.}$

Olarak görülüyor ν büyür veya σ küçülür, ortalama olur ν ve varyans σ olur².

Gauss yaklaşımına geçiş aşağıdaki gibi ilerler. Bessel fonksiyon teorisinden elimizde

${ displaystyle I _ { alpha} (z) rightarrow { frac {e ^ {z}} { sqrt {2 pi z}}} sol (1 - { frac {4 alpha ^ {2} -1} {8z}} + cdots sağ) { text {as}} z rightarrow infty}$

yani, büyük ölçüde ${ displaystyle x nu / sigma ^ {2}}$ bölge, Rician dağılımının asimptotik bir genişlemesi:

${ displaystyle { başlar {hizalı} f (x, nu, sigma) = {} & { frac {x} { sigma ^ {2}}} exp sol ({ frac {- (x ^ {2} + nu ^ {2})} {2 sigma ^ {2}}} sağ) I_ {0} left ({ frac {x nu} { sigma ^ {2}}} right) { text {is}} & { frac {x} { sigma ^ {2}}} exp left ({ frac {- (x ^ {2} + nu ^ {2})} {2 sigma ^ {2}}} right) { sqrt { frac { sigma ^ {2}} {2 pi x nu}}} exp left ({ frac {2x nu} {2 sigma ^ {2}}} right) left (1 + { frac { sigma ^ {2}} {8x nu}} + cdots right) sağarrow {} & { frac {1} { sigma { sqrt {2 pi}}}} exp left (- { frac {(x- nu) ^ {2}} {2 sigma ^ { 2}}} right) { sqrt { frac {x} { nu}}}, ; ; ; { text {as}} { frac {x nu} { sigma ^ {2 }}} rightarrow infty end {hizalı}}}$

Dahası, yoğunluk etrafında yoğunlaştığında ${ textstyle nu}$ ve ${ textstyle | x- nu | ll sigma}$ Gauss üssü nedeniyle, biz de yazabiliriz ${ displaystyle { sqrt { frac {x} { nu}}} yaklaşık 1}$ ve nihayet Normal yaklaşımı elde edin

${ displaystyle f (x, nu, sigma) yaklaşık { frac {1} { sigma { sqrt {2 pi}}}} exp sol (- { frac {(x- nu ) ^ {2}} {2 sigma ^ {2}}} sağ), ; ; ; { frac { nu} { sigma}} gg 1}$

Yaklaşım için kullanılabilir hale gelir ${ displaystyle { frac { nu} { sigma}}> 3}$

Parametre tahmini (Koay ters çevirme tekniği)

Pirinç dağılımının parametrelerini tahmin etmek için üç farklı yöntem vardır, (1) anlar yöntemi,^{[9][10][11][12]} (2) maksimum olasılık yöntemi,^{[9][10][11][13]} ve (3) en küçük kareler yöntemi.^{[kaynak belirtilmeli ]} İlk iki yöntemde ilgi, bir veri örneğinden dağılımın ν ve σ parametrelerini tahmin etmektir. Bu, örneğin örnek ortalaması ve örnek standart sapması gibi momentler yöntemi kullanılarak yapılabilir. Örnek ortalama μ tahminidir₁^' ve örnek standart sapması, μ tahminidir₂^1/2.

Aşağıdaki, "Koay ters çevirme tekniği" olarak bilinen etkili bir yöntemdir.^[14] çözmek için tahmin denklemleri, eşzamanlı olarak örnek ortalamasına ve örnek standart sapmasına göre. Bu ters çevirme tekniği, aynı zamanda sabit nokta formülü SNR. Daha önceki çalışmalar^[9][15] anlar yönteminde, genellikle sorunu çözmek için bir kök bulma yöntemi kullanır, bu da verimli değildir.

İlk olarak, örnek ortalamasının örnek standart sapmasına oranı şu şekilde tanımlanır: ryani ${ displaystyle r = mu _ {1} ^ {'} / mu _ {2} ^ {1/2}}$. SNR'nin sabit nokta formülü şu şekilde ifade edilir:

${ displaystyle g ( theta) = { sqrt { xi {( theta)} sol [1 + r ^ {2} sağ] -2}}}$

nerede ${ displaystyle theta}$ parametrelerin oranıdır, yani ${ displaystyle theta = { frac { nu} { sigma}}}$, ve ${ displaystyle xi { sol ( teta sağ)}}$ tarafından verilir:

${ displaystyle xi { sol ( theta sağ)} = 2+ theta ^ {2} - { frac { pi} {8}} exp {(- theta ^ {2} / 2) } left [(2+ theta ^ {2}) I_ {0} ( theta ^ {2} / 4) + theta ^ {2} I_ {1} ( theta ^ {2} / 4) sağ] ^ {2},}$

nerede ${ displaystyle I_ {0}}$ ve ${ displaystyle I_ {1}}$ vardır birinci türden değiştirilmiş Bessel fonksiyonları.

Bunu not et ${ displaystyle xi { sol ( teta sağ)}}$ ölçekleme faktörüdür ${ displaystyle sigma}$ ve ilgili ${ displaystyle mu _ {2}}$ tarafından:

${ displaystyle mu _ {2} = xi { sol ( theta sağ)} sigma ^ {2}. ,}$

Sabit noktayı bulmak için, ${ displaystyle theta ^ {*}}$, nın-nin ${ displaystyle g}$bir başlangıç ​​çözümü seçilir, ${ displaystyle { theta} _ {0}}$, bu alt sınırdan daha büyüktür, yani ${ displaystyle { theta} _ { mathrm {alt sınır}} = 0}$ ve ne zaman meydana gelir ${ displaystyle r = { sqrt { pi / (4- pi)}}}$^[14] (Bunun ${ displaystyle r = mu _ {1} ^ {'} / mu _ {2} ^ {1/2}}$ Rayleigh dağılımının). Bu, işlevsel kompozisyonu kullanan yineleme için bir başlangıç ​​noktası sağlar,^{[açıklama gerekli ]} ve bu devam eder ${ displaystyle sol | g ^ {i} sol ( theta _ {0} sağ) - theta _ {i-1} sağ |}$ bazı küçük pozitif değerlerden daha azdır. Buraya, ${ displaystyle g ^ {i}}$ aynı işlevin bileşimini belirtir, ${ displaystyle g}$, ${ displaystyle i}$ zamanlar. Uygulamada, finali ilişkilendiririz ${ displaystyle theta _ {n}}$ bir tam sayı için ${ displaystyle n}$ sabit nokta olarak, ${ displaystyle theta ^ {*}}$yani ${ displaystyle theta ^ {*} = g sol ( teta ^ {*} sağ)}$.

Sabit nokta bulunduğunda, tahminler ${ displaystyle nu}$ ve ${ displaystyle sigma}$ ölçekleme işlevi aracılığıyla bulunur, ${ displaystyle xi { sol ( teta sağ)}}$, aşağıdaki gibi:

${ displaystyle sigma = { frac { mu _ {2} ^ {1/2}} { sqrt { xi sol ( teta ^ {*} sağ)}}}}$

ve

${ displaystyle nu = { sqrt { sol ( mu _ {1} ^ {'~ 2} + sol ( xi sol ( teta ^ {*} sağ) -2 sağ) sigma ^ {2} sağ)}}.}$

Yinelemeyi daha da hızlandırmak için, Newton'un kök bulma yöntemi kullanılabilir.^[14] Bu özel yaklaşım oldukça etkilidir.

Başvurular

• Öklid normu bir iki değişkenli dairesel simetrik normal dağılmış rasgele vektör.
• Rician solma (için çok yollu girişim ))
• Nişan hatasının hedef atışı üzerindeki etkisi.^[16]

Ayrıca bakınız

Çok değişkenli Rician modeli, radyo iletişimindeki çeşitlilik alıcılarının analizinde kullanılır.^[17][18].

• Rayleigh dağılımı
• Stephen O. Rice (1907–1986)

Notlar

Referanslar

• Abramowitz, M. ve Stegun, I.A. (ed.), Matematiksel Fonksiyonlar El Kitabı Ulusal Standartlar Bürosu, 1964; Dover Yayınları, 1965 yeniden basıldı. ISBN  0-486-61272-4
• Rice, S. O., Rastgele Gürültünün Matematiksel Analizi. Bell System Technical Journal 24 (1945) 46–156.
• I. Soltani Bozchalooi ve Ming Liang (20 Kasım 2007). "Sinyal gürültü giderme ve hata tespitinde dalgacık parametresi seçimine pürüzsüzlük indeksi kılavuzlu bir yaklaşım". Journal of Sound and Vibration. 308 (1–2): 253–254. Bibcode:2007JSV ... 308..246B. doi:10.1016 / j.jsv.2007.07.038.CS1 Maint: yazar parametresini kullanır (bağlantı)
• Wang, Dong; Zhou, Qiang; Tsui Kwok-Leung (2017). "Gabor dalgacık katsayılarının modülünün dağılımı ve toplam Gauss gürültüleri durumunda boyutsuz pürüzsüzlük indeksinin üst sınırı hakkında: Yeniden ziyaret edildi". Journal of Sound and Vibration. 395: 393–400. doi:10.1016 / j.jsv.2017.02.013.
• Liu, X. ve Hanzo, L., Sönük Kanallar Üzerinde BPSK Modülasyonu Kullanan Asenkron DS-CDMA Sistemlerinin Birleşik Tam BER Performans Analizi, Kablosuz İletişimde IEEE İşlemleri, Cilt 6, Sayı 10, Ekim 2007, s. 3504–3509.
• Annamalai, A., Tellambura, C. ve Bhargava, V. K., Kablosuz Kanallarda Eşit Kazançlı Çeşitlilik Alıcı Performansı, IEEE İşlemleri İletişim, Cilt 48, Ekim 2000, s. 1732–1745.
• Erdelyi, A., Magnus, W., Oberhettinger, F. ve Tricomi, F. G., Yüksek Transandantal İşlevler, Cilt 1. McGraw-Hill Book Company Inc., 1953.
• Srivastava, H. M. ve Karlsson, P. W., Çoklu Gauss Hipergeometrik Serileri. Ellis Horwood Ltd., 1985.
• Sijbers J., den Dekker A.J., Scheunders P. ve Van Dyck D., "Rician dağılım parametrelerinin Maksimum Olabilirlik tahmini", Tıbbi Görüntüleme üzerine IEEE İşlemleri, Cilt. 17, Nr. 3, s. 357–361, (1998)
• Varadarajan D. ve Haldar J. P., "Rician ve Central Olmayan Chi MR Görüntüleri için Büyük-Küçültme Çerçevesi", Medikal Görüntülemede IEEE İşlemleri, Cilt. 34, hayır. 10, s. 2191–2202, (2015)
• den Dekker, A.J. ve Sijbers, J (Aralık 2014). "Manyetik rezonans görüntülerinde veri dağılımları: bir inceleme". Physica Medica. 30 (7): 725–741. doi:10.1016 / j.ejmp.2014.05.002. PMID  25059432.CS1 Maint: yazar parametresini kullanır (bağlantı)
• Koay, C.G. ve Basser, P. J., Gürültülü büyüklükteki MR sinyallerinden sinyal çıkarma için analitik olarak doğru düzeltme şeması, Manyetik Rezonans Dergisi, Cilt 179, Sayı = 2, s. 317–322, (2006)
• Abdi, A., Tepedelenlioğlu, C., Kaveh, M. ve Giannakis, G. Pirinç solma dağılımı için K parametresinin tahmini üzerine, IEEE Communications Letters, Cilt 5, Sayı 3, Mart 2001, s. 92–94.
• Talukdar, K.K. ve Lawing, William D. (Mart 1991). "Pirinç dağılımının parametrelerinin tahmini". Journal of the Acoustical Society of America. 89 (3): 1193–1197. Bibcode:1991ASAJ ... 89.1193T. doi:10.1121/1.400532.CS1 Maint: yazar parametresini kullanır (bağlantı)
• Bonny, J.M., Renou, J.P. ve Zanca, M. (Kasım 1996). "MR Verilerinden Optimal Büyüklük ve Faz Ölçümü". Manyetik Rezonans Dergisi, Seri B. 113 (2): 136–144. Bibcode:1996JMRB..113..136B. doi:10.1006 / jmrb.1996.0166. PMID  8954899.CS1 Maint: yazar parametresini kullanır (bağlantı)

Dış bağlantılar

• Rice / Rician dağılımı için MATLAB kodu (PDF, ortalama ve varyans ve rastgele örnekler oluşturma)