在 Python 中实现离散高斯核？

Question

我希望实现 Lindeberg 在他关于规模 space 理论的工作中所定义的 discrete Gaussian kernel。

它被定义为 T(n,t) = exp(-t)*I_n(t) 其中 I_n 是 modified Bessel function of the first kind.

我正在尝试使用 Numpy 和 Scipy 在 Python 中实现此功能，但运行遇到了一些麻烦。

def discrete_gaussian_kernel(t, n):
    return math.exp(-t) * scipy.special.iv(n, t)

我尝试绘图：

import math
import numpy as np
import scipy
from matplotlib import pyplot as plt

def kernel(t, n):
    return math.exp(-t) * scipy.special.iv(n, t)
ns = np.linspace(-5, 5, 1000)
y0 = discrete_gaussian_kernel(0.5, ns)
y1 = discrete_gaussian_kernel(1, ns)
y2 = discrete_gaussian_kernel(2, ns)
y3 = discrete_gaussian_kernel(4, ns)
plt.plot(ns, y0, ns, y1, ns, y2, ns, y3)
plt.xlim([-4, 4])
plt.ylim([0, 0.7])

输出如下：

根据维基百科文章，它应该是这样的：

我想我犯了一些非常微不足道的错误。：/ 有什么想法吗？谢谢！

编辑：我写的相当于scipy.special.ive(n, t)。我很确定它应该是第一类的修正贝塞尔函数，而不是第二类，但是有人可以确认吗？

Answer 1

如果你想获取维基百科情节，替换

ns = np.linspace(-5, 5, 1000)

与

ns = np.arange(-5, 5+1)

即，您使用的公式仅在整数点上有意义。作为负阶函数的贝塞尔函数是一个振荡函数，http://dlmf.nist.gov/10.27#E2 所以我觉得情节很好。

在 Python 中实现离散高斯核？

Implementing Discrete Gaussian Kernel in Python?

python

numpy

gaussian

scipy