【信号处理】（高斯分布）最大熵定理 - 教程

最大熵定理

• • 1. 定理的核心含义
  • 2. 为什么这个定理如此重点？
  • 3. 一个直观的理解和简便的证明思路
  • 总结

在所有具有相同方差（即相同平均功率）的概率分布中，高斯分布的熵是最大的。

这个定理的精确表述是：

在所有具有相同方差（即相同的二阶矩，对于零均值分布来说就是相同的平均功率）的概率分布中，高斯分布（正态分布）具有最大的微分熵。

下面我将详细解释这个定理的含义、重要性以及为什么它成立。

1. 定理的核心含义

• 约束条件：我们比较的分布必须满足一个硬性约束——方差固定。方差（${\sigma }^2$数据的离散程度，在信号处理中，它代表信号的平均功率。就是）衡量的
• 优化目标：我们要在这些分布中找到那个微分熵最大的分布。熵是衡量随机变量不确定性的指标。熵越大，意味着随机性越强，包含的信息量越大，或者说其结构是最"不可预测"的。
• 结论：在方差被固定的前提下，高斯分布是"最随机"、“最不可预测”、"最没有结构"的分布。任何其他具有相同方差的分布，都会因为具有某种特定的结构（例如，偏向某些值、有界等）而导致其不确定性降低，即熵变小。

2. 为什么这个定理如此重要？

这个定理是信息论和许多工程领域的基石。

• 中心极限定理的"对偶"：中心极限定理告诉我们，大量独立随机变量的和趋近于高斯分布。最大熵定理则从另一个角度解释了这个现象：在给定的方差约束下，要是我们对随机变量的分布一无所知（即不做任何其他假设），那么最合理、最不偏不倚的假设就是它是高斯分布，因为这是最"中庸"且不确定性最大的选择。
• 通信与信号处理证明在发射功率受限的条件下，应用高斯分布的输入信号可以实现信道容量的上限。这直接应用了最大熵原理。就是：在信道容量（香农公式）的推导中，一个关键步骤
• 统计建模与机器学习：当我们对一个自然现象只知道其均值和方差（或协方差）时，使用高斯模型作为先验分布通常是最稳健、最不引入额外偏见的选择。这被称为最大熵原理的应用。

3. 一个直观的理解和简单的证明思路

我们可以凭借变分法和拉格朗日乘数法来证明这个定理。

目标：在满足以下三个约束条件下，最大化微分熵$h(X)=-{\int }_{-\infty }^{\infty }f(x)\log f(x)dx$ ：

1. 概率密度函数积分为1：${\int }_{-\infty }^{\infty }f(x)dx=1$
2. 均值为0（为简化问题，不失一般性）：${\int }_{-\infty }^{\infty }xf(x)dx=0$
3. 方差固定为 ${\sigma }^2$： ${\int }_{-\infty }^{\infty }{x}^{2}f(x)dx={\sigma }^2$

证明思路：

1. 建立拉格朗日函数$\mathcal{L}$，将熵函数和三个约束条件结合起来：

   $$\mathcal{L}[f]=-\int f\log fdx+{\lambda }_1\left(\int fdx-1\right)+{\lambda }_2\int xfdx+{\lambda }_3\left(\int x^{2}fdx-{\sigma }^2\right)$$

   其中 ${\lambda }_1,{\lambda }_2,{\lambda }_3$是拉格朗日乘子。

2. 对函数 $f$求变分导数，并令其等于零（$\frac{\delta \mathcal{L}}{\delta f}=0$）。计算结果是：

   $$-\log f(x)-1+{\lambda }_1+{\lambda }_{2}x+{\lambda }_3{x}^2=0$$

3. 解出 $f(x)$：

   $$f(x)=\exp ({\lambda }_1-1+{\lambda }_{2}x+{\lambda }_3{x}^2)$$

   利用整理常数，这个形式可以写成：

   $$f(x)=A\exp (\alpha x+\beta x^2)$$

   其中 $A,\alpha ,\beta$ 是常数。

4. 利用三个约束条件来确定这些常数：

   • 为了保证 $f(x)$是可归一化的概率密度函数，必须有$\beta <0$，我们令 $\beta =-\frac{1}{2{\sigma }^2}$。
   • 利用均值为0的约束，允许推出$\alpha =0$。
   • 最后利用方差为${\sigma }^2$的约束来确定常数$A$。

   最终得到的形式正是高斯分布的概率密度函数：

   $$f(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{x^2}{2{\sigma }^2}\right)$$

这就证明了在所有满足方差约束的分布中，能使熵最大化的分布形式只能是高斯分布。

总结

这是信息论的一个核心结论。高斯分布在固定方差的约束下达到了不确定性的上限。这一性质使其在理论推导和工程实践中都具有无可替代的重要地位。