3马尔可夫链,随机过程的熵速率
3 讲
上讲要点z互信息
z凸性和凹性
z Jensen不等式
z信息不等式
z数据处理定理
本讲概要z Fano不等式
z随机过程,熵率
z马尔可夫链
z图上的随机游动
z隐式马尔可夫模型
阅读:第四章
简要复习
z 互信息
()()()Y X H X H Y X I |;?=
()()()()
∑=y
x Y X Y X Y X y P x P y x P y x P ,,,,log
,
()Y X Y X P P P D ||,=
z 互信息的链式准则
()()()12121|;;;,X Y X I Y X I Y X X I +=
z
()0||≥q p D
z 熵()X H 是的凹函数;
X P 对给定的,互信息X Y P |()Y X I ;是的凹函数;对给定的,互信息X P X P ()Y X I ;是的凸函数。
X Y P |
z ()(Z X I Y X I Z Y X ;;≥?→→)
Fano 引理
假设有两个随机变量序列X 和Y ,Fano 引理给出了基于Y 估计X 时的误差界限
我们可以得到X 的估计量()Y g X
=?
错误概率为()X X
P P r e ≠=?
设有关于误差E 的指示函数,当X X ?=时为1,其他为0,
则有,()0==E P P e
Fano 引理:
()()()Y X H P E H e |1log ≥?+χ
Fano 引理的证明
()()()Y X E H Y X H Y X E H ,|||,+=
()Y X H |=
()()()Y E X H Y E H Y X E H ,|||,+=
()()Y E X H E H ,|+≤ ()E H =
()Y E X H P e ,1|=+
()()Y E H P e
,0|1=?+
()()Y E X H P E H e ,1|=+= ()()1|=+≤E X H P E H e
()()1log ?+≤χe P E H
χ越大,越接近上界。
随机过程
z 一个随机过程是一个时间序列或者随机变量序列
,是一个从Ω到的映射
,...,10X X ∞χ
z 一个随机过程是用联合分布函数表征:
(),,...,,10,...,,10n X X X X X X P n
(),,...,,10n n x x x χ∈ 对 n=0,1,…
z 一个随机过程的熵为
(),...,21X X H
()()...|121++=X X H X H ()...,...|11++?i i X X X H
难点
z 无穷多项求和
z 一般来说,所有项是不同的的
熵速率
一个随机过程的熵速率定义为:
()
n n X H n
1
lim
∞→ 如果极限存在。 例如:
z i.i.d 的 r.v.s 序列 z i.i.d 的 r.v.s 模块
z 一个随机过程是平稳的,如果
()n X X X x x x P n ,...,,10,...,,10 ()n X X X x x x P n l l l ,...,,10,...,,11++=
对每个移位l 和所有()n n x x x χ∈,...,,10。
对平稳随机过程,极限是存在的。
随机过程的熵速率
链式准则:
()()∑=?=n
i i i n X X X H n X X X H n 1
1121,...,|1,...,,1
左边的极限是存在的,当且仅当右边的每一项都有极限时。
对一个随机过程
()()n n n n X X H X X H 2111||++≤
()11|?=n n X X H
故序列()11|?n n X X H 是非减、非负的,所以极限存在。
定理:对平稳随机过程,熵速率为
()()
111|lim 1
lim
?∞
→∞→=n n n n n X X H X H n
马尔可夫链
z 一个离散随机过程如果满足如下条件,就是一个马尔
可夫链
()10,...,|,...,|10??n n X X X x x x P n n
()1||1??=n n X X x x P n n
对和所有的,...2,1=n ()n n x x x χ∈,...,,10
X n :n 次转换后的状态
— 属于一个有限状态集合,如{1,…,m} — X 0或者是给定的,或者是随机的。
时变马尔可夫过程
转移概率是时不变的
()i X j X P p n n j i ===+|1,
()011,...,,|X X i X j X P n n n ?+===
马尔可夫链可以用概率转移矩阵[]j i p P ,=来表征
问题:平稳和时不变
设()()i X P n r n i ==,且有初始条件,或者是随机初始状态的平均值
关键的迭代公式
()()∑=+i
j i i j p n r n r ,1
或
()()P n r n r →
→=+1
马尔可夫链复习
z P ππ=总是有解么,P 是一个概率向量?
z 这个解是唯一的么?
π?
z 从任何初始状态(随机)开始,都能收敛到
π。 一阶递归非周期马尔可夫链,有一个唯一的稳态分布
P n 的每一行都收敛到π。
马尔可夫链的熵速率为:
()
n n X H n
11
lim
∞→ ()1|lim ?∞
→=n n n X X H
∑?=j
i j i j i i p p ,,,log π
图上的随机游动
例如:一个3×3棋盘的随机游动
1 2 3 4 5 6 7 8 9
??
????=0,0,0,51.51,51,51,0,51,2j p
在的条件下,观察X 21=?n X n 给出信息量为log 25(bit)。
熵速率为8log 5log 43log 4521πππ++
对n ×n 的棋盘,当,熵速率逼近于log8 ∞→n
图上的随机游动
考虑无向图g =(N,E,W), 这里N ,E ,W 是节点,边界和权重。对每个边界都有相关的边界
j i W ,i j j i W W ,,=
∑=j
j i i W W ,
∑>=
i
j j i j
i W
W :,,
∑=i
i W W 2
我们称随机游动为马尔可夫链,其状态为图中的节点
i
j i j i W W p ,,=
W
W i
i 2=
π
图上的随机游动
检验:和
∑=1i i π∑∑
=i
i
i
j
i i j i i W W W W p ,,2π ∑
=i
j i W
W 2,
W
W j 2=
j π=
回到上个例子:在3×3棋盘上的随机游动,对所有相连的i ,j ,1,=j i W ,
403
1=
π 4052=π
40
85=π
图上的随机游动
()12|X X H
()
???
???+?????????=?
?????+???
????=?
??
?
?????=?
????????=?=∑∑∑∑
∑∑∑∑∑W W W W W W W W W W W W W W W
W W W W W W W W W W W p p i j i i
i j i j i i j i j i i j i j
i i j i j i j i i j i j i j i i i
j
j i j i i
i 2log 22log 22log 22log 2log 2log 2log ,,,,,,,,,,,,,,π
熵速率是两个熵的差。
隐式马尔可夫模型
考虑ALOHA无线模型
M个用户使用相同的无线信道发送信息包到一个基站
在每一个时隙,在一个序列中每个用户的信息包到达的概率为p,与其他M-1个用户是独立的。
同样,在每个时隙的初始,如果一个用户至少有一个信息包在序列中,他将以概率q传输一个信息包,并且和其他用户独立。
在接收端,如果两个信息包发生碰撞,则他们都不能成功地传输,滞留在原来各自的序列中。
隐式马尔可夫模型
设表示第i 时刻的随机向量,n (M i n n n X ,...,,21=)m 是第m 个用户序列的信息包的个数,X i 是马尔可夫链。
设有随机向量()m i y y y Y ,...,,21=,如果用户i 在时隙i 中传输,则y i =1,否则y i =0。
Y i 是马尔可夫链?
隐式马尔可夫模型
设是平稳马尔可夫链,,...,...,21X X ()i i X Y φ=是一个过程,每一项是和马尔可夫链的每个状态函数对应。
,...,...,21Y Y 构成一个隐式马尔可夫链,但不总是马尔可夫
链,但仍然是平稳的。
它的熵速率是多少?
可以计算()11|?n n Y Y H ,它随n 单调递减。
熵速率需要有下界的。
Genie 技巧
z 构造另一个序列b n ,使其为熵速率()11|lim ?∞→n n n Y Y H 的
更低上界,仍有相同的极限。
z 更低的熵上界:设有一Genie, 她所用的信息量很小,
但是足以跳一格。
z 考察 ()111,|X Y Y H n n ?
注意到:
()()
11111|lim ,|?∞
→?≤n n n n n Y Y H X Y Y H
()()k n n n n X X X Y Y H X Y Y H ???=,...,,|,|0111111
()0
111,,|k k n n Y X Y Y H ???=
()1|??≤n k n Y Y H
所有以前的信息都可以从X 1中得到。
隐式马尔可夫过程
注意:
()()11111,||X Y Y H Y Y H n n n n ???
()0|;111→=?n n Y Y X I
事实上,
()(∑=?∞
→∞
→=n
i i i
n n n Y Y
X I Y
X I 1111
1
1|;lim ;lim ))
()∑∞
=?=1
111|;i i i Y Y X I 因为是无穷项求和,每一项都是非负的,且其上界是
,所以该项必须趋于0。
(1X H