※ 引述《softwind.bbs@ptt.csie.ntu.edu.tw (家家有本難唸的經)》之銘言：
: 他的定義是:
: 兩個normal distribution的pdf,p1(x),p2(x)
: (n-dimension with mean vector u1,u2, arbitrary covarience matrix Σ1,Σ2)
: ∫p1(x)^c*p2(x)^(1-c)dx=exp(-b(x)) (0<c<1)
: (transpose) (matrix inverse)
: t -1
: 其中b(x)=c(1-c)*(u2-u1)*[cΣ1+(1-c)Σ2]*(u2-u1)/2
: +(1/2)*ln(| cΣ1+(1-c)Σ2|/(|Σ1|^c*|Σ2|^(1-c)))
: 就是chernoff distance
: 有人知道要怎麼證明這個式子嗎?
: (因為covarience matrix可以是任意的matrix
: 而非對角化矩陣所以很難積分)
本來不會積的！不過笨漢的解說好像反而給了一條好路！
先將\Sigma_1化為Identity matrix. 再對新的\Sigma_2'做旋轉！
這樣子就能將兩個矩陣都對角化！
做旋轉時積分值應該不會變！僅需考慮第一步時的Jacobian matrix就行了吧！
不過有一個問題是 I cannot distinguish between scalar product and the
inner product. So I have no idea that what your b(x) really is. Ah!
I just got what you mean. All products are the matrix productx, Am I correct?
看著答案看原題，有一點像。The logarithm part just comes from the Jacobian
matrix. You can see whether this approach works.
不過笨漢不愧是笨漢！竟然打得出來，太可怕了！
--
Origin:<不良牛牧場> zoo.ee.ntu.edu.tw (140.112.18.36)
Welcome to SimFarm BBS -- From : [chihw.student.Princeton.EDU]