问题标签 [covariance-matrix]

我有 2 个特征向量集X和Y（size=(7,7)所以 7 个分量的 7 个特征向量）。

我正在寻找一种从这两个特征向量集构建协方差矩阵的方法。

在第一次，我做了这个功能：

并调用：CovXY = compute_Cov(X,Y)

但是这样，矩阵CovXY 不是对称的，我不知道如何从特征向量集构建对称矩阵（所以 XX和YY 实际上是矩阵）。

我正在尝试在 Python 中编写一个简单的协方差矩阵函数。

如果我计算以下的协方差，则使用此函数：

我的答案与 np.cov() 匹配，没有问题。但是，当我改用复数时，我的答案与 np.cov() 不匹配

我已经尝试打印每条语句，以检查它可能出错的地方，但我无法找到错误。

正如标题所说，我正在尝试计算两个 1x3 数组的协方差矩阵并在 C++ 中获得一个 6x6 std::array。我需要一些指导以了解我的理解 - 已经看过并且无法清楚地看到回答我的问题。

我有两个数组，每个数组都有 3 个元素。数组 1 保存位置数据 (x,y,z)，数组 2 保存速度数据；我们称之为 (A,B,C)

Array1 = {x,y,z}

Array2 = {A,B,C}

并且需要完成一个协方差矩阵，将其计算成一个二维数组[6][6]

我不明白我怎么会得到这个。

我认为我的协方差公式是正确的，但这仍然会给我一个数组 [3] [3]。

cov = ( (Array1[n] - mean(Array1)) * (Array2[n] - mean(Array2)) ) / 3

\ 3 因为它是每个数组中值的数量。

我正在尝试基于此公式应用模型： 因此我将其定义为函数

此功能适用于我导入的一组数据，如下所示：

所以首先我绘制了这些数据，然后我将函数 Amp 应用于数据，如下所示：

这些图是正确的，尽管我希望能够获得协方差矩阵，以便我知道由于拟合造成的不确定性。但是，关于 cov 矩阵，我得到了这个错误。

其他一切都运行良好，就像我说的，我的情节看起来是我想要的样子。请注意，在完整代码中，我以完全相同的方式将此公式重新应用于其他 2 个数据集（唯一的区别是使用的数据）

我已经导入的包：

谢谢你，席德

我正在使用 proc glimmix 和 proc mixed 来运行线性混合模型，并试图查看协方差矩阵以查看它是否正确。如何将其打印到结果中？

我重新参数化了 k = kref*exp(-E/R((1/T)-(1/Tref))形式的 Arrhenius 方程，我想估计从 lmfit 包中获得的参数 E 和 kref 的值然而，重新参数化的整个想法是查看在重新参数化原始 Arrhenius 方程即k = ko*exp(-E/RT)后 k0 和 E 之间的相关性是否较低，其中kref = ko*exp(-E/RTref)这样做我得到了以下关系

所以我的问题是，有什么方法可以找到 Var(E) 以及 kref 的标准差？

这个问题可能很愚蠢，但我找不到解释。

我正在从头开始编码多元概率密度函数（出于研究目的），我需要计算的一件事是数据的协方差矩阵。我正在使用 Iris 数据集（150 个样本，4 个特征），当我编码时：

我不明白为什么它返回一个 150x150 矩阵，这是一个“逐元素协方差矩阵”吗？它不应该是一个 4x4 协方差矩阵吗？

提前致谢。

我在计算提取的点云平面的方向时遇到了一些麻烦。该平面代表一个矩形零件的表面。我需要获取原点和方向，以便在拾取应用程序中为机器人提供食物。

以下步骤工作正常：输入 pcd 文件，直通，下采样，平面模型分割以获得平面，聚类以处理平面中的多个部分，为每个聚类计算 3d 质心。

麻烦从计算平面相对于点云原点（相机原点）的方向开始。我试图通过计算每个集群的 CovarianceMatrix 来做到这一点。

我有以下帖子作为想法，它似乎适用于这种情况。

https://stackoverflow.com/questions/30728157/bad-orientation-of-principal-axis-of-a-point-cloud

我的片段：

代码片段

此外，我只是通过参考计算的中心点使用特征向量值来可视化计算的平面原点。

但是平面的方向与点云原点的方向相对应，并没有像预期的那样显示平面的转动原点。

协方差矩阵的计算是否是获取零件方向的错误方法？因为计算中心点对我来说很好。即使下图显示了切割部分的原点，也基本上不会被检测到。

结果图像

结果原点与相机原点

您对获取飞机的方向还有其他建议吗？

非常感谢您提前！！

我正在通过 Nick Psaris 的 Funq 工作，但需要一个 null 感知函数来制作协方差矩阵。我将使用它来创建一个马氏距离矩阵。他提供了一些 null 感知功能：

navg = null 感知平均值

nvar null 感知 var

nsvar = null 感知样本 var

有什么建议么？

我的问题类似于在 R 中使用 `extRemes` 拟合广义极值 (GEV) 的错误？. 但是，我正在拟合非平稳广义极值 (GEV) 分布，即，当位置参数取决于协变量并且不再是常数时。我也在extRemesR 中使用包。上述帖子中提出的解决方案不适用于我的情况，因为EnvStats::egevd解决方案中使用的函数 ( ) 不适用于非固定 GEV。

由于原始数据很大，这里是我的数据的一个子集，它给了我一个警告，因此它不会产生一个给出参数协方差的矩阵。

这是带有警告的输出。通常，当您显示摘要或模型输出时，您会得到一个参数协方差矩阵，但在这种情况下我们没有。虽然我们得到了参数估计，但我需要参数协方差矩阵来进行推理，但我无法找出问题所在。使用的默认估计方法是 MLE，但我也尝试了其他方法，如广义 MLE (GMLE)，但仍然遇到同样的问题。我刚刚开始涉足该领域，非常感谢有关如何解决此问题的任何帮助。