Функция Гаусса - Gaussian function

Сюда перенаправляется «кривая Гаусса». Для группы см. Кривая Гаусса (полоса).

В математика, а Функция Гаусса, часто называемый просто Гауссовский, это функция формы

${\displaystyle f(x)=a\cdot \exp {\left(-{\frac {(x-b)^{2}}{2c^{2}}}\right)}}$

для произвольных настоящий константы а, б и ненулевой c. Назван в честь математика. Карл Фридрих Гаусс. В график гауссиана является характеристикой симметричной "кривая колокола "форма. Параметр а - высота пика кривой, б это положение центра пика и c (в стандартное отклонение, иногда называемый гауссовой RMS width) контролирует ширину «колокола».

Гауссовские функции часто используются для представления функция плотности вероятности из нормально распределенный случайная переменная с ожидаемое значение μ = б и отклонение σ² = c². В этом случае гауссиан имеет вид:

${\displaystyle g(x)={\frac {1}{\sigma {\sqrt {2\pi }}}}\exp {\left(-{\frac {1}{2}}{\frac {(x-\mu )^{2}}{\sigma ^{2}}}\right)}.}$^[1]

Функции Гаусса широко используются в статистика описать нормальные распределения, в обработка сигналов определять Гауссовы фильтры, в обработка изображений где двумерные гауссианы используются для Размытие по Гауссу, а в математике решить уравнения теплопроводности и уравнения диффузии и определить Преобразование Вейерштрасса.

Характеристики

Гауссовы функции возникают при составлении экспоненциальная функция с вогнутый квадратичная функция:

${\displaystyle f(x)=\exp {\left(\alpha x^{2}+\beta x+\gamma \right)}}$

куда:

${\displaystyle \alpha =-0.5/c^{2}}$

${\displaystyle \beta =b/c^{2}}$

${\displaystyle \gamma =0.5(\log(a)-b^{2})/c^{2}}$

Таким образом, гауссовские функции - это те функции, логарифм - вогнутая квадратичная функция.

Параметр c относится к полная ширина на половине максимальной (FWHM) пика согласно

${\displaystyle \mathrm {FWHM} =2{\sqrt {2\ln 2}}\ c\approx 2.35482c.}$

Затем функция может быть выражена через FWHM, представленную ш:

${\displaystyle f(x)=ae^{-4(\ln 2)(x-b)^{2}/w^{2}}}$

В качестве альтернативы параметр c можно интерпретировать, сказав, что два точки перегиба функции происходят в Икс = б − c и Икс = б + c.

В полная ширина в десятых долях от максимума (FWTM) для гауссиана может представлять интерес и является

${\displaystyle \mathrm {FWTM} =2{\sqrt {2\ln 10}}\ c\approx 4.29193c.}$

Гауссовы функции аналитический, и их предел в качестве Икс → ∞ равно 0 (для указанного выше случая б = 0).

Гауссовы функции относятся к числу тех функций, которые элементарный но не хватает элементарного первообразные; в интеграл функции Гаусса является функция ошибки. Тем не менее их несобственные интегралы по всей действительной прямой можно вычислить точно, используя Гауссовский интеграл

${\displaystyle \int _{-\infty }^{\infty }e^{-x^{2}}\,dx={\sqrt {\pi }}}$

и получается

${\displaystyle \int _{-\infty }^{\infty }ae^{-(x-b)^{2}/(2c^{2})}\,dx=ac\cdot {\sqrt {2\pi }}.}$

Этот интеграл равен 1 тогда и только тогда, когда ${\displaystyle a={\tfrac {1}{c{\sqrt {2\pi }}}}}$ (в нормализующая константа ), и в этом случае гауссовский функция плотности вероятности из нормально распределенный случайная переменная с ожидаемое значение μ = б и отклонение σ² = c²:

${\displaystyle g(x)={\frac {1}{\sigma {\sqrt {2\pi }}}}exp\left({\frac {-(x-\mu )^{2}}{2\sigma ^{2}}}\right).}$

Эти гауссианы показаны на прилагаемом рисунке.

Нормализованный Гауссовы кривые с ожидаемое значение μ и отклонение σ². Соответствующие параметры: ${\displaystyle a={\tfrac {1}{\sigma {\sqrt {2\pi }}}}}$, б = μ и c = σ.

Гауссовские функции с центром в нуле минимизируют Фурье принцип неопределенности.

Произведение двух гауссовых функций является гауссовой, а свертка двух гауссовских функций также является гауссовой, причем дисперсия представляет собой сумму исходных дисперсий: ${\displaystyle c^{2}=c_{1}^{2}+c_{2}^{2}}$. Однако произведение двух гауссовых функций плотности вероятности (PDF), как правило, не является гауссовской PDF.

Принимая Преобразование Фурье (унитарная, угловая частота) функции Гаусса с параметрами а = 1, б = 0 и c дает другую функцию Гаусса с параметрами ${\displaystyle c}$, б = 0 и ${\displaystyle {\frac {1}{c}}}$.^[2] Так, в частности, гауссовские функции с б = 0 и ${\displaystyle c=1}$ фиксируются преобразованием Фурье (они собственные функции преобразования Фурье с собственным значением 1) .Физическая реализация дифракционная картина: например, a фотографический слайд чей коэффициент пропускания имеет гауссовскую вариацию, также является гауссовой функцией.

Тот факт, что функция Гаусса является собственной функцией непрерывного преобразования Фурье, позволяет нам получить следующие интересные^{[требуется разъяснение ]} личность из Формула суммирования Пуассона:

${\displaystyle \sum _{k\in \mathbb {Z} }\exp \left(-\pi \cdot \left({\frac {k}{c}}\right)^{2}\right)=c\cdot \sum _{k\in \mathbb {Z} }\exp(-\pi \cdot (kc)^{2}).}$

Интеграл от функции Гаусса

Интеграл от произвольной гауссовой функции равен

${\displaystyle \int _{-\infty }^{\infty }a\,e^{-\left(x-b\right)^{2}/2c^{2}}\,dx={\sqrt {2}}a\,\left\vert c\right\vert \,{\sqrt {\pi }}}$

Альтернативная форма -

${\displaystyle \int _{-\infty }^{\infty }k\,e^{-fx^{2}+gx+h}\,dx=\int _{-\infty }^{\infty }k\,e^{-f\left(x-g/(2f)\right)^{2}+g^{2}/(4f)+h}\,dx=k\,{\sqrt {\frac {\pi }{f}}}\,\exp \left({\frac {g^{2}}{4f}}+h\right)}$

куда ж должен быть строго положительным, чтобы интеграл сходился.

Связь со стандартным гауссовским интегралом

Интегральный

${\displaystyle \int _{-\infty }^{\infty }ae^{-(x-b)^{2}/2c^{2}}\,dx}$

для некоторых настоящий константы a, b, c> 0 можно вычислить, представив его в виде Гауссовский интеграл. Во-первых, постоянная а можно просто вычесть из интеграла. Далее переменная интегрирования изменяется с Икс к у = Икс - б.

${\displaystyle a\int _{-\infty }^{\infty }e^{-y^{2}/2c^{2}}\,dy}$

а затем в ${\displaystyle z=y/{\sqrt {2c^{2}}}}$

${\displaystyle a{\sqrt {2c^{2}}}\int _{-\infty }^{\infty }e^{-z^{2}}\,dz}$

Затем, используя Гауссовское интегральное тождество

${\displaystyle \int _{-\infty }^{\infty }e^{-z^{2}}\,dz={\sqrt {\pi }}}$

у нас есть

${\displaystyle \int _{-\infty }^{\infty }ae^{-(x-b)^{2}/2c^{2}}\,dx=a{\sqrt {2\pi c^{2}}}}$

Двумерная функция Гаусса

Гауссова кривая с двумерной областью

В двух измерениях сила, к которой е возводится в гауссову функцию любой отрицательно определенной квадратичной формы. Следовательно, наборы уровней гауссианы всегда будут эллипсами.

Частным примером двумерной функции Гаусса является

${\displaystyle f(x,y)=A\exp \left(-\left({\frac {(x-x_{o})^{2}}{2\sigma _{X}^{2}}}+{\frac {(y-y_{o})^{2}}{2\sigma _{Y}^{2}}}\right)\right).}$

Здесь коэффициент А это амплитуда, Икс_о, y_о центр, а σ_Икс, σ_у являются Икс и у распространение капли. Рисунок справа был создан с использованием А = 1, Икс_о = 0, у_о = 0, σ_Икс = σ_у = 1.

Объем под функцией Гаусса определяется выражением

${\displaystyle V=\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }f(x,y)\,dx\,dy=2\pi A\sigma _{X}\sigma _{Y}.}$

В общем, двумерная эллиптическая функция Гаусса выражается как

${\displaystyle f(x,y)=A\exp \left(-\left(a(x-x_{o})^{2}+2b(x-x_{o})(y-y_{o})+c(y-y_{o})^{2}\right)\right)}$

где матрица

${\displaystyle \left[{\begin{matrix}a&b\\b&c\end{matrix}}\right]}$

является положительно определенный.

Используя эту формулировку, рисунок справа можно создать с помощью А = 1, (Икс_о, у_о) = (0, 0), а = c = 1/2, б = 0.

Значение параметров для общего уравнения

Для общего вида уравнения коэффициент А - высота пика и (Икс_о, у_о) является центром капли.

Если мы установим

${\displaystyle {\begin{aligned}a&={\frac {\cos ^{2}\theta }{2\sigma _{X}^{2}}}+{\frac {\sin ^{2}\theta }{2\sigma _{Y}^{2}}}\\[4pt]b&=-{\frac {\sin 2\theta }{4\sigma _{X}^{2}}}+{\frac {\sin 2\theta }{4\sigma _{Y}^{2}}}\\[4pt]c&={\frac {\sin ^{2}\theta }{2\sigma _{X}^{2}}}+{\frac {\cos ^{2}\theta }{2\sigma _{Y}^{2}}}\end{aligned}}}$

затем мы поворачиваем каплю на угол по часовой стрелке ${\displaystyle \theta }$ (для вращения против часовой стрелки переверните знаки в б коэффициент).^[3] Это можно увидеть на следующих примерах:

${\displaystyle \theta =0}$

${\displaystyle \theta =\pi /6}$

${\displaystyle \theta =\pi /3}$

Используя следующие Октава кода, легко увидеть эффект изменения параметров

А = 1;x0 = 0; y0 = 0;sigma_X = 1;sigma_Y = 2;[Икс, Y] = сетка(-5:.1:5, -5:.1:5);за тета = 0:число Пи/100:число Пи    а = потому что(тета)^2/(2*sigma_X^2) + грех(тета)^2/(2*sigma_Y^2);    б = -грех(2*тета)/(4*sigma_X^2) + грех(2*тета)/(4*sigma_Y^2);    c = грех(тета)^2/(2*sigma_X^2) + потому что(тета)^2/(2*sigma_Y^2);    Z = А*exp( - (а*(Икс-x0).^2 + 2*б*(Икс-x0).*(Y-y0) + c*(Y-y0).^2));серфить(Икс,Y,Z);затенение интерп;Посмотреть(-36,36)подождите, нажмите кнопкуконец

Такие функции часто используются в обработка изображений и в вычислительных моделях зрительная система функция - см. статьи на масштабное пространство и аффинный shn.

Также см многомерное нормальное распределение.

Гауссова или супергауссова функция высшего порядка

Более общая формулировка функции Гаусса с плоской вершиной и спадом по Гауссу может быть взята путем возведения содержания показателя в степень, ${\displaystyle P}$:

${\displaystyle f(x)=A\exp \left(-\left({\frac {(x-x_{o})^{2}}{2\sigma _{X}^{2}}}\right)^{P}\right).}$Эта функция известна как супергауссова функция и часто используется для формулировки гауссова пучка.^[4] В двумерной постановке функция Гаусса вдоль ${\displaystyle x}$ и ${\displaystyle y}$ можно комбинировать с потенциально разными ${\displaystyle P_{X}}$ и ${\displaystyle P_{Y}}$ чтобы сформировать эллиптическое гауссово распределение,${\displaystyle f(x,y)=A\exp \left(-\left({\frac {(x-x_{o})^{2}}{2\sigma _{X}^{2}}}+{\frac {(y-y_{o})^{2}}{2\sigma _{Y}^{2}}}\right)^{P}\right)}$ или прямоугольное распределение Гаусса, ${\displaystyle f(x,y)=A\exp \left(-\left({\frac {(x-x_{o})^{2}}{2\sigma _{X}^{2}}}\right)^{P_{X}}-\left({\frac {(y-y_{o})^{2}}{2\sigma _{Y}^{2}}}\right)^{P_{Y}}\right)}$.^[5]

Многомерная функция Гаусса

Основная статья: Многомерное нормальное распределение

В ${\displaystyle n}$-мерном пространстве функцию Гаусса можно определить как

${\displaystyle f(x)=\exp(-x^{T}Cx)\;,}$

куда ${\displaystyle x=\{x_{1},\dots ,x_{n}\}}$ столбец ${\displaystyle n}$ координаты, ${\displaystyle C}$ это положительно определенный ${\displaystyle n\times n}$ матрица и ${\displaystyle {}^{T}}$ обозначает транспонирование матрицы.

Интеграл от этой гауссовой функции по всей ${\displaystyle n}$-мерное пространство задается как

${\displaystyle \int _{\mathbb {R} ^{n}}\exp(-x^{T}Cx)\,dx={\sqrt {\frac {\pi ^{n}}{\det C}}}\;.}$

Его легко вычислить, диагонализуя матрицу ${\displaystyle C}$ и заменяя переменные интегрирования на собственные векторы ${\displaystyle C}$.

В более общем смысле смещенная функция Гаусса определяется как

${\displaystyle f(x)=\exp(-x^{T}Cx+s^{T}x)\;,}$

куда ${\displaystyle s=\{s_{1},\dots ,s_{n}\}}$ - вектор сдвига и матрица ${\displaystyle C}$ можно считать симметричным, ${\displaystyle C^{T}=C}$, и положительно-определенный. Следующие интегралы с этой функцией могут быть вычислены с помощью того же метода:

${\displaystyle {\begin{aligned}&\int _{\mathbb {R} ^{n}}e^{-x^{T}Cx+v^{T}x}\,dx={\sqrt {\frac {\pi ^{n}}{\det {C}}}}\exp \left({\frac {1}{4}}v^{T}C^{-1}v\right)\equiv {\mathcal {M}}\;.\\[6pt]&\int _{\mathbb {R} ^{n}}e^{-x^{T}Cx+v^{T}x}\left(a^{T}x\right)\,dx=(a^{T}u)\cdot {\mathcal {M}}\;,{\text{ where }}u={\frac {1}{2}}C^{-1}v\;.\\[6pt]&\int _{\mathbb {R} ^{n}}e^{-x^{T}Cx+v^{T}x}(x^{T}Dx)\,dx=\left(u^{T}Du+{\frac {1}{2}}\operatorname {tr} (DC^{-1})\right)\cdot {\mathcal {M}}\;.\\[6pt]&\int _{\mathbb {R} ^{n}}e^{-x^{T}C'x+s'^{T}x}\left(-{\frac {\partial }{\partial x}}\Lambda {\frac {\partial }{\partial x}}\right)e^{-x^{T}Cx+s^{T}x}\,dx\\[6pt]={}&\left(2\operatorname {tr} (C'\Lambda CB^{-1})+4u^{T}C'\Lambda Cu-2u^{T}(C'\Lambda s+C\Lambda s')+s'^{T}\Lambda s\right)\cdot {\mathcal {M}}\;,\\[6pt]&{\text{where }}u={\frac {1}{2}}B^{-1}v,v=s+s',B=C+C'\;.\end{aligned}}}$

Оценка параметров

Смотрите также: Нормальное распределение § Оценка параметров

Ряд полей, таких как звездная фотометрия, Гауссов пучок характеристика, и спектроскопия эмиссионных / абсорбционных линий работать с выборочными функциями Гаусса и вам необходимо точно оценить параметры высоты, положения и ширины функции. Есть три неизвестных параметра для одномерной функции Гаусса (а, б, c) и пять для двумерной гауссовой функции ${\displaystyle (A;x_{0},y_{0};\sigma _{X},\sigma _{Y})}$.

Наиболее распространенный метод оценки гауссовских параметров - это логарифм данных и соответствовать параболе в результирующий набор данных.^[6][7] Хотя это обеспечивает простой подгонка кривой процедуры, результирующий алгоритм может быть искажен из-за чрезмерного взвешивания малых значений данных, что может привести к большим ошибкам в оценке профиля. Частично эту проблему можно компенсировать за счет взвешенный метод наименьших квадратов оценка, уменьшая вес небольших значений данных, но это тоже может быть смещено, позволяя хвосту гауссианы преобладать при подгонке. Чтобы устранить предвзятость, вместо этого можно использовать методом наименьших квадратов с повторным взвешиванием процедура, в которой веса обновляются на каждой итерации.^[7]Также возможно выполнение нелинейная регрессия непосредственно на данных, без привлечения логарифмическое преобразование данных; Дополнительные параметры см. аппроксимация распределения вероятностей.

Точность параметра

Если у кого-то есть алгоритм для оценки параметров функции Гаусса, также важно знать, как точный эти оценки. Любой наименьших квадратов Алгоритм оценки может предоставить числовые оценки дисперсии каждого параметра (т. е. дисперсии расчетной высоты, положения и ширины функции). Также можно использовать Граница Крамера – Рао теории, чтобы получить аналитическое выражение для нижней границы дисперсии параметров, учитывая определенные предположения о данных.^[8][9]

1. Шум в измеряемом профиле либо i.i.d. Гауссов, или шум Распределенный по Пуассону.
2. Расстояние между каждой выборкой (т. Е. Расстояние между пикселями, измеряющими данные) одинаково.
3. Пик является «хорошо отобранным», так что менее 10% площади или объема под пиком (площадь, если гауссиан 1D, объем, если гауссиан 2D), лежит за пределами области измерения.
4. Ширина пика намного больше, чем расстояние между точками выборки (т.е. пиксели детектора должны быть по крайней мере в 5 раз меньше, чем гауссова FWHM).

Когда эти предположения выполняются, следующие ковариационная матрица K применяется для параметров профиля 1D ${\displaystyle a}$, ${\displaystyle b}$, и ${\displaystyle c}$ под i.i.d. Гауссов шум и под шумом Пуассона:^[8]

${\displaystyle \mathbf {K} _{\text{Gauss}}={\frac {\sigma ^{2}}{{\sqrt {\pi }}\delta _{X}Q^{2}}}{\begin{pmatrix}{\frac {3}{2c}}&0&{\frac {-1}{a}}\\0&{\frac {2c}{a^{2}}}&0\\{\frac {-1}{a}}&0&{\frac {2c}{a^{2}}}\end{pmatrix}}\ ,\qquad \mathbf {K} _{\text{Poiss}}={\frac {1}{\sqrt {2\pi }}}{\begin{pmatrix}{\frac {3a}{2c}}&0&-{\frac {1}{2}}\\0&{\frac {c}{a}}&0\\-{\frac {1}{2}}&0&{\frac {c}{2a}}\end{pmatrix}}\ ,}$

куда ${\displaystyle \delta _{X}}$ ширина пикселей, используемых для выборки функции, ${\displaystyle Q}$ - квантовая эффективность детектора, а ${\displaystyle \sigma }$ обозначает стандартное отклонение шума измерения. Таким образом, индивидуальные отклонения параметров в случае гауссовского шума равны

${\displaystyle {\begin{aligned}\operatorname {var} (a)&={\frac {3\sigma ^{2}}{2{\sqrt {\pi }}\,\delta _{X}Q^{2}c}}\\\operatorname {var} (b)&={\frac {2\sigma ^{2}c}{\delta _{X}{\sqrt {\pi }}\,Q^{2}a^{2}}}\\\operatorname {var} (c)&={\frac {2\sigma ^{2}c}{\delta _{X}{\sqrt {\pi }}\,Q^{2}a^{2}}}\end{aligned}}}$

а в случае пуассоновского шума

${\displaystyle {\begin{aligned}\operatorname {var} (a)&={\frac {3a}{2{\sqrt {2\pi }}\,c}}\\\operatorname {var} (b)&={\frac {c}{{\sqrt {2\pi }}\,a}}\\\operatorname {var} (c)&={\frac {c}{2{\sqrt {2\pi }}\,a}}.\end{aligned}}}$

Для параметров 2D профиля, дающих амплитуду ${\displaystyle A}$, позиция ${\displaystyle (x_{0},y_{0})}$, и ширина ${\displaystyle (\sigma _{X},\sigma _{Y})}$ профиля применяются следующие ковариационные матрицы:^[9]

${\displaystyle {\begin{aligned}\mathbf {K} _{\text{Gauss}}={\frac {\sigma ^{2}}{\pi \delta _{X}\delta _{Y}Q^{2}}}&{\begin{pmatrix}{\frac {2}{\sigma _{X}\sigma _{Y}}}&0&0&{\frac {-1}{A\sigma _{Y}}}&{\frac {-1}{A\sigma _{X}}}\\0&{\frac {2\sigma _{X}}{A^{2}\sigma _{Y}}}&0&0&0\\0&0&{\frac {2\sigma _{Y}}{A^{2}\sigma _{X}}}&0&0\\{\frac {-1}{A\sigma _{y}}}&0&0&{\frac {2\sigma _{X}}{A^{2}\sigma _{y}}}&0\\{\frac {-1}{A\sigma _{X}}}&0&0&0&{\frac {2\sigma _{Y}}{A^{2}\sigma _{X}}}\end{pmatrix}}\\[6pt]\mathbf {K} _{\operatorname {Poisson} }={\frac {1}{2\pi }}&{\begin{pmatrix}{\frac {3A}{\sigma _{X}\sigma _{Y}}}&0&0&{\frac {-1}{\sigma _{Y}}}&{\frac {-1}{\sigma _{X}}}\\0&{\frac {\sigma _{X}}{A\sigma _{Y}}}&0&0&0\\0&0&{\frac {\sigma _{Y}}{A\sigma _{X}}}&0&0\\{\frac {-1}{\sigma _{Y}}}&0&0&{\frac {2\sigma _{X}}{3A\sigma _{Y}}}&{\frac {1}{3A}}\\{\frac {-1}{\sigma _{X}}}&0&0&{\frac {1}{3A}}&{\frac {2\sigma _{Y}}{3A\sigma _{X}}}\end{pmatrix}}.\end{aligned}}}$

где дисперсии отдельных параметров даны диагональными элементами ковариационной матрицы.

Дискретный гауссовский

Основная статья: Дискретное гауссово ядро

В дискретное гауссово ядро (сплошной), по сравнению с выбранное ядро ​​Гаусса (пунктир) для шкалы ${\displaystyle t=0.5,1,2,4.}$

Можно попросить дискретный аналог гауссианы; это необходимо в дискретных приложениях, в частности цифровая обработка сигналов. Простой ответ - выбрать непрерывный гауссиан, получив выбранное ядро ​​Гаусса. Однако эта дискретная функция не имеет дискретных аналогов свойств непрерывной функции и может приводить к нежелательным эффектам, как описано в статье. реализация масштабного пространства.

Альтернативный подход - использовать дискретное гауссово ядро:^[10]

${\displaystyle T(n,t)=e^{-t}I_{n}(t)}$

куда ${\displaystyle I_{n}(t)}$ обозначает модифицированные функции Бесселя целочисленного порядка.

Это дискретный аналог непрерывного гауссиана в том смысле, что он является решением дискретной уравнение диффузии (дискретное пространство, непрерывное время), точно так же, как непрерывный гауссиан является решением уравнения непрерывной диффузии.^[11]

Приложения

Гауссовские функции появляются во многих контекстах в естественные науки, то социальные науки, математика, и инженерное дело. Вот некоторые примеры:

• В статистика и теория вероятности, Функции Гаусса появляются как функция плотности нормальное распределение, что является ограничивающим распределение вероятностей сложных сумм, согласно Центральная предельная теорема.
• Гауссовы функции - это Функция Грина для (однородного и изотропного) уравнение диффузии (и к уравнение теплопроводности, что одно и то же), a уравнение в частных производных который описывает эволюцию плотности массы во времени при распространение. В частности, если массовая плотность во время т= 0 задается Дельта Дирака, что по сути означает, что сначала масса сосредоточена в одной точке, а затем распределение массы во времени т будет задана функцией Гаусса с параметром а линейно связаны с 1 /√т и c линейно связаны с √т; этот изменяющийся во времени гауссиан описывается тепловое ядро. В более общем смысле, если начальная массовая плотность равна φ (Икс), то плотность массы на более поздних временах получается путем свертка функции φ с функцией Гаусса. Свертка функции с гауссианом также известна как Преобразование Вейерштрасса.
• Функция Гаусса - это волновая функция из основное состояние из квантовый гармонический осциллятор.
• В молекулярные орбитали используется в вычислительная химия возможно линейные комбинации функций Гаусса, называемых Гауссовские орбитали (смотрите также базисный набор (химия) ).
• Математически производные функции Гаусса можно представить с помощью Функции Эрмита. В п-я производная от функции Гаусса - это сама функция Гаусса, умноженная на п-й Многочлен Эрмита, до масштаба.
• Следовательно, гауссовские функции также связаны с состояние вакуума в квантовая теория поля.
• Гауссовы пучки используются в оптических системах, микроволновых системах и лазерах.
• В масштабное пространство представления, функции Гаусса используются как сглаживающие ядра для генерации многомасштабных представлений в компьютерное зрение и обработка изображений. В частности, производные от гауссианов (Функции Эрмита ) используются как основа для определения большого количества типов визуальных операций.
• Функции Гаусса используются для определения некоторых типов искусственные нейронные сети.
• В флуоресцентная микроскопия 2D-функция Гаусса используется для аппроксимации Диск Эйри, описывающий распределение интенсивности, создаваемое точечный источник.
• В обработка сигналов они служат для определения Гауссовы фильтры, например, в обработка изображений где 2D гауссианы используются для Размытие по Гауссу. В цифровая обработка сигналов, используется дискретное гауссово ядро, который может быть определен путем выборки по Гауссу или другим способом.
• В геостатистика они использовались для понимания различий между паттернами сложного тренировочный образ. Они используются с методами ядра для кластеризации шаблонов в пространстве функций.^[12]

Смотрите также

• Нормальное распределение
• Функция Лоренца
• Ядро радиальной базисной функции

Рекомендации

1. Сквайрс, Г. Л. (30 августа 2001 г.). Практическая физика (4-е изд.). Издательство Кембриджского университета. Дои:10.1017 / cbo9781139164498. ISBN  978-0-521-77940-1.
2. Вайсштейн, Эрик В. «Преобразование Фурье - Гауссово». MathWorld. Получено 19 декабря 2013.
3. Наури, Николай. "Berechnung von Kovarianzellipsen" (PDF). Получено 14 августа 2019.
4. Родитель А., М. Морин и П. Лавин. «Распространение супергауссовских распределений поля». Оптическая и квантовая электроника 24.9 (1992): S1071-S1079.
5. "Руководство по командам оптического программного обеспечения GLAD, Запись по команде GAUSSIAN" (PDF). Прикладные оптические исследования. 2016-12-15.
6. Каруана, Ричард А .; Searle, Roger B .; Хеллер, Томас .; Шупак, Саул И. (1986). «Быстрый алгоритм разрешения спектров». Аналитическая химия. Американское химическое общество (ACS). 58 (6): 1162–1167. Дои:10.1021 / ac00297a041. ISSN  0003-2700.
7. Хунвэй Го, "Простой алгоритм подбора функции Гаусса", IEEE Sign. Proc. Mag. 28 (9): 134-137 (2011).
8. Н. Хаген, М. Купинский и Э. Л. Дереняк, "Оценка гауссовского профиля в одном измерении", Прил. Опт. 46: 5374–5383 (2007).
9. Н. Хаген и Е. Л. Дерениак, "Оценка гауссовского профиля в двух измерениях", Прил. Опт. 47: 6842–6851 (2008).
10. Линдеберг, Т., "Масштабное пространство для дискретных сигналов", ПАМИ (12), № 3, март 1990 г., стр. 234–254.
11. Кэмпбелл, Джей, 2007, Модель SMM как краевая задача с использованием дискретного уравнения диффузии, Theor Popul Biol. 2007 декабрь; 72 (4): 539–46.
12. Хонархах, М. и Каерс, Дж., 2010 г., Стохастическое моделирование паттернов с использованием дистанционного моделирования паттернов, Математические науки о Земле, 42: 487–517.

внешняя ссылка

• Mathworld, включает доказательство связи между c и FWHM
• «Интеграция колоколообразной кривой». MathPages.com.
• Реализация распределения Гаусса на Haskell, Erlang и Perl
• Бенсимхаун Майкл, N-Кумулятивная функция измерений и другие полезные факты о гауссианах и нормальной плотности (2009 г.)
• Код для подгонки гауссиан в ImageJ и Фиджи.