We present two linear relations between an arbitrary (real tempered second order) generalized stochastic process over $\mathbb{R}^{d}$ and White Noise processes over $\mathbb{R}^{d}$. The first is that any generalized stochastic process can be obtained as a linear transformation of a White Noise. The second indicates that, under dimensional compatibility conditions, a generalized stochastic process can be linearly transformed into a White Noise. The arguments rely on the regularity theorem for tempered distributions, which is used to obtain a mean-square continuous stochastic process which is then expressed in a Karhunen-Lo\`eve expansion with respect to a convenient Hilbert space. The first linear relation obtained allows also to conclude that any generalized stochastic process has an orthogonal representation as a series expansion of deterministic tempered distributions weighted by uncorrelated random variables with summable variances. This representation is then used to conclude the second linear relation.


翻译:我们提出了一个任意的(真正温和的第二顺序)一般随机过程(在$\mathbb{R ⁇ d}$的基础上)与白色噪音过程(在$\mathb{R ⁇ d}$的基础上)之间的两个线性关系。第一个是,任何普遍的随机过程都可以作为白色噪音的线性转变获得。第二个是,在维度兼容条件下,一个普遍的随机过程可以线性地转换成白色噪音。这些论点依赖于温度分布的规律性理论,该理论用于获得一种平均平方连续的随机过程,然后以Karhunen-Lo ⁇ ⁇ eeve的扩展方式表达,以方便的希尔伯特空间为单位。获得的第一个线性关系还可以得出这样的结论,即任何一般的随机过程都具有某种或孔性的代表性,即以不相关随机变量加权的确定性温度分布成一系列扩展。然后,该表示用于得出第二个线性关系。

0
下载
关闭预览

相关内容

【硬核书】矩阵代数基础,248页pdf
专知会员服务
83+阅读 · 2021年12月9日
【经典书】线性代数,Linear Algebra,525页pdf
专知会员服务
75+阅读 · 2021年1月29日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
202+阅读 · 2019年9月30日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关VIP内容
【硬核书】矩阵代数基础,248页pdf
专知会员服务
83+阅读 · 2021年12月9日
【经典书】线性代数,Linear Algebra,525页pdf
专知会员服务
75+阅读 · 2021年1月29日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
202+阅读 · 2019年9月30日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员